ربط التفاعلات السياقية العالمية لإكمال الصورة بدقة عالية

يُعدّ التوصيل الصحيح للتفاعلات السياقية العالمية أمرًا مهمًا لإنجاز الصور بدقة عالية باستخدام أقنعة كبيرة. لا يمكن للطرق السابقة التي حاولت تحقيق ذلك من خلال التباعد العميق أو التحويلات التلافيفية ذات المجال الاستقبال الكبير التغلب على هيمنة التفاعلات القريبة، والتي قد تكون أقل فعالية. في هذه الورقة، نقترح معالجة إكمال الصور كمهمة تنبؤ تسلسلي من غير اتجاه، ونُطبّق نموذج الترانسفورمر لالتقاط الاعتماد الطويل المدى في المُشفر مباشرةً. وتميّزًا مهمًا، نستخدم شبكة تلافيفية مقيدة ذات مجال استقبال صغير وغير متداخل لتمثيل الرموز الموزونة، مما يمكّن الترانسفورمر من نمذجة علاقات السياق المرئي الطويلة المدى بشكل صريح وبأهمية متساوية في جميع الطبقات، دون خلط ضمني بين الرموز المجاورة عند استخدام مجالات استقبال أكبر. ولتحسين الاتساق في المظهر بين المناطق المرئية والمنشأة، نُقدّم طبقة جديدة تُسمى "الطبقة المُدركة للانتباه" (AAL) للاستفادة بشكل أفضل من الميزات عالية التردد المرتبطة بمسافات بعيدة. في المجمل، تُظهر التجارب الواسعة أداءً متفوقًا مقارنةً بالطرق الرائدة في مجالها على عدة مجموعات بيانات.