كشف التحسين البديل للحل العكسي لمشكلة زيادة الدقة

الطرق السابقة تفكك مشكلة التحويل الفائق الأعمى (SR) إلى خطوتين متتاليتين: \textit{i}) تقدير نواة الضبابية من الصورة ذات الدقة المنخفضة (LR) المعطاة، و\textit{ii}) استعادة الصورة الفائقة الدقة (SR) بناءً على النواة المقدرة. ينطوي هذا الحل ذو الخطوتين على نموذجين تم تدريبهما بشكل مستقل، مما قد يؤدي إلى عدم توافق جيد بينهما. يمكن أن يتسبب خطأ تقدير صغير في الخطوة الأولى في انخفاض حاد في أداء الخطوة الثانية. من ناحية أخرى، يمكن للخطوة الأولى استخدام معلومات محدودة فقط من الصورة ذات الدقة المنخفضة، مما يجعل من الصعب التنبؤ بنواة ضبابية عالية الدقة.لحل هذه القضايا، بدلاً من النظر إلى هاتين الخطوتين بشكل منفصل، نعتمد خوارزمية التحسين البديل، والتي يمكنها تقدير نواة الضبابية واستعادة الصورة الفائقة الدقة في نموذج واحد. تحديداً، قمنا بتصميم وحدتين عصبيتين اثنتين بالتقاطع، وهما \textit{Restorer} (وحدة الاستعادة) و\textit{Estimator} (وحدة التقدير). تقوم وحدة \textit{Restorer} باستعادة الصورة الفائقة الدقة بناءً على النواة المتوقعة، بينما تقوم وحدة \textit{Estimator} بتقدير نواة الضبابية بمساعدة الصورة الفائقة الدقة المستعادَة. نقوم بتبديل هاتين الوحدتين بشكل متكرر ونشر هذه العملية لتشكيل شبكة قابلة للتدريب من البداية إلى النهاية. بهذه الطريقة، تستفيد وحدة \textit{Estimator} من المعلومات الموجودة في كلٍّ من الصور ذات الدقة المنخفضة والفائقة الدقة، مما يجعل تقدير نواة الضبابية أسهل. وأهم من ذلك، يتم تدريب وحدة \textit{Restorer} باستخدام النواة المقدرة بواسطة وحدة \textit{Estimator} بدلاً من النواة الحقيقية (ground-truth kernel)، وبالتالي تكون وحدة \textit{Restorer} أكثر تحملًا للأخطاء في تقدير وحدة \textit{Estimator}. أظهرت التجارب الواسعة على مجموعة بيانات مصنوعة وعلى صور حقيقية أن نموذجنا يمكنه تفوق الطرق الرائدة بشكل كبير وإنتاج نتائج مرئية أفضل بكثير وبسرعة أعلى بكثير. يمكن الوصول إلى الكود المصدر عبر الرابط:https://github.com/greatlog/DAN.git.