CDLNet: التقليل من الضوضاء بشكل قوي وقابل للتفسير عبر تعلم القاموس العميق بالتقنيات الإدراكية

تُحقِّق الطرق القائمة على التعلم العميق نتائجًا رائدة في إزالة الضوضاء من الصور، ولكنها تظل صعبة الفهم بسبب تركيبها من مكونات غير مفهومة جيدًا مثل التطبيع الدُّفعة (batch-normalization)، والتعلم المتبقي (residual learning)، ومعالجة المجال المميز (feature domain processing). تقترح شبكات التحسين المنفتحة بديلًا قابلاً للتفسير لبناء الشبكات العصبية العميقة من خلال اشتقاق هندستها من طرق التحسين التكرارية الكلاسيكية، دون استخدام الحيل من صندوق أدوات التعلم العميق القياسي. حتى الآن، أظهرت هذه الطرق أداءً قريبًا من أداء النماذج الرائدة بينما استخدمت بناؤها القابل للتفسير لتحقيق عدد معلمات متعلَّمة مقارنًا بالقليل. في هذا العمل، نقترح شبكة قاموسية تعلمية متكررة (CDLNet) ونثبت أدائها التنافسي في إزالة الضوضاء في كلٍّ من الأنظمة ذات عدد المعلمات المنخفض والمرتفع. بشكل خاص، نوضح أن النموذج المقترح يتفوَّق على نماذج إزالة الضوضاء الرائدة عند توسيعه إلى عدد معلمات مشابه. بالإضافة إلى ذلك، نستفيد من بناء النموذج القابل للتفسير لاقتراح تعزيز حدود الشبكة الذي يمكنه تحقيق أداء رائد في إزالة الضوضاء العمياء وتقريبًا تعميم كامل على مستويات الضوضاء التي لم يتم رؤيتها أثناء التدريب.