التعلم التسلسلي الهرمي مع تحويل التوزيع لاسترجاع صورة عالي الدقة

تمت دراسة التصميم متعدد المقياس في الدراسات الحديثة المتعلقة بتحسين دقة الصور (SR) لاستكشاف المعلومات الهرمية للسمات. تهدف الشبكات متعددة المقياس الحالية إلى بناء كتل معقدة أو هيكل تدريجي لتحسين الجودة. بشكل عام، تتركز السمات ذات المقياس الأكبر على المعلومات الهيكلية والمعلومات عالية المستوى، بينما تحتوي السمات ذات المقياس الأصغر على تفاصيل غنية ومعلومات نسيجية. من هذه الزاوية، يمكن استخلاص المعلومات من السمات ذات المقياس الأكبر من السمات ذات المقياس الأصغر. استنادًا إلى هذه الملاحظة، قمنا في هذه الورقة ببناء شبكة تحسين دقة صور تسلسلية هيراركية (SHSR) لتحسين فعالية معالجة تحسين دقة الصور. وبشكل خاص، نأخذ بعين الاعتبار الارتباطات بين المقياس المختلفة للسمات، ونُصمم كتلة متعددة المقياس تسلسلية (SMB) لاستكشاف المعلومات الهرمية بشكل تدريجي. تم تصميم SMB بطريقة تكرارية بناءً على خطية التحويل (convolution) مع قيود على عدد المعلمات. بالإضافة إلى التعلم الهرمي التسلسلي، قمنا أيضًا بدراسة الارتباطات بين خرائط السمات، وصممنا كتلة تحويل التوزيع (DTB). على عكس الطرق القائمة على الانتباه (attention-based)، تُعامل DTB التحويل بطريقة توحيدية (normalization)، وتحدد الارتباطات المكانية والمحورية (channel-wise) بشكل مشترك باستخدام عوامل التحجيم (scaling) والانزياح (bias). أظهرت نتائج التجارب أن SHSR تحقق أداءً كميًا متفوقًا وجودة بصرية أفضل مقارنة بالطرق الرائدة، مع تقليل عدد المعلمات بنسبة تقارب 34% وخفض عدد العمليات الحسابية المطلوبة (MACs) بنسبة 50% عند عامل التكبير ×4. ولتعزيز الأداء دون الحاجة إلى تدريب إضافي، تم تطوير نموذج موسّع يُسمى SHSR$^+$ باستخدام تقنية التجميع الذاتي (self-ensemble)، والذي يحقق أداءً تنافسيًا مع الشبكات الأكبر، مع تقليل عدد المعلمات بنسبة تقارب 92% وخفض MACs بنسبة 42% عند عامل التكبير ×4.