الشبكة المضادة الثنائية: نحو إزالة الضوضاء في البيئة الحقيقية وإنشاء الضوضاء

إزالة الضوضاء من الصور الواقعية تُعد مهمة قديمة لكنها بالغة الصعوبة في مجال رؤية الحاسوب. وقد شجع النجاح الكبير للشبكات العصبية العميقة في إزالة الضوضاء على تطوير أبحاث توليد الضوضاء، بهدف إنشاء أزواج صور نظيفة-مشوّشة أكثر لتمكين تدريب نماذج إزالة الضوضاء العميقة بشكل أفضل. في هذا العمل، نقترح إطارًا موحدًا جديدًا قادرًا على التعامل مع مهام إزالة الضوضاء وتوليد الضوضاء في آنٍ واحد. بدلًا من استنتاج توزيع الاحتمال اللاحق للصورة النظيفة المخفية بشرط الصورة المشوّشة المُلاحظة، كما هو الحال في الإطار التقليدي MAP، فإن الطريقة المقترحة تتعلم التوزيع المشترك بين أزواج الصور النظيفة والمشوّشة. وبشكل محدد، نُقرّب هذا التوزيع المشترك باستخدام نموذجين مختلفين من الصيغ المفكّكة، والتي يمكن صياغتها كمُنَمّط لإزالة الضوضاء يحوّل الصورة المشوّشة إلى صورة نظيفة، وكمُولِّد يحوّل الصورة النظيفة إلى صورة مشوّشة. يحتوي التوزيع المشترك المُتعلّم ضمنيًا على جميع المعلومات المتعلقة بين الصور المشوّشة والنظيفة، مما يُلغِي الحاجة إلى تصميم مُسبقات صورية أو افتراضات حول الضوضاء يدويًا كما في الطرق التقليدية. علاوةً على ذلك، يمكن تحسين أداء مُنَمّط إزالة الضوضاء من خلال تكبير مجموعة البيانات التدريبية الأصلية باستخدام المُولِّد المُتعلّم. بالإضافة إلى ذلك، نُقدّم معيارين لتقدير جودة الصور المشوّشة المُولّدة، وهو ما يُعدّ لأول مرة في هذا الخط البحثي، إلى حد معرفتي. أُجريت تجارب واسعة النطاق لتُظهر تفوق طريقة العمل المقترحة على أفضل الطرق الحالية في كلا المهمتين: إزالة الضوضاء الواقعية وتوليد الضوضاء. يُتاح كود التدريب والاختبار على الرابط التالي: https://github.com/zsyOAOA/DANet.