تحسين دقة الصورة باستخدام الانتباه غير المحلي عبر المقياس وتعدين الأمثلة الذاتية الشاملة

تستفيد الشبكات العميقة القائمة على التحويل التوافقي لتحسين دقة الصورة الفردية (SISR) من مزايا التعلم من مصادر خارجية ضخمة للصور لتحسين المناطق المحلية، لكن معظم الأعمال الحالية قد أهملت التشابهات على المدى الطويل بين السمات في الصور الطبيعية. وقد نجحت بعض الأعمال الحديثة في استغلال هذه العلاقة السمة المتأصلة من خلال استكشاف وحدات الانتباه غير المحلية. ومع ذلك، لم تُدرس أي من النماذج العميقة الحالية خاصية أخرى جوهرية في الصور: الارتباط السميتي عبر المقياس. في هذا البحث، نقترح أول وحدة انتباه غير محلية عبر المقياس (CS-NL) مدمجة في شبكة عصبية دورية. من خلال دمج هذا الافتراض الجديد CS-NL مع الافتراضات المحلية والافتراضات غير المحلية ضمن نفس المقياس في خلية تجميع دورية قوية، يمكننا اكتشاف ترابطات سمية أكثر عبر المقياس داخل صورة منخفضة الدقة (LR) واحدة. ويعزز الأداء في تحسين دقة الصورة بشكل ملحوظ من خلال دمج شامل لجميع الافتراضات الممكنة. تُظهر التجارب الواسعة فعالية الوحدة المقترحة CS-NL، حيث تُسجّل أرقامًا قياسية جديدة على عدة معايير لتحسين دقة الصورة.