التعلم المتناقض للحصول على تفتيت صورة واحدة مدمجة

إزالة الضباب من صورة واحدة تمثل مشكلة غير محددة صعبة بسبب التدهور الشديد في المعلومات. ومع ذلك، فإن الطرق القائمة على التعلم العميق لاسترجاع الصور من الضباب تستخدم فقط الصور الواضحة كعينات إيجابية لتوجيه تدريب شبكة إزالة الضباب، بينما تُهمل المعلومات السلبية. علاوةً على ذلك، تركز معظم هذه الطرق على تعزيز قدرة الشبكة من خلال زيادة عمقها وعرضها، مما يؤدي إلى متطلبات كبيرة من الحوسبة والذاكرة. في هذه الورقة، نقترح منهجية جديدة تُسمى الت régularisation التقابلية (CR)، مبنية على التعلم التقابلية، لاستغلال معلومات الصور الضبابية والصور الواضحة كعينات سلبية وإيجابية على التوالي. تضمن CR أن تُجذب الصورة المستعادة أقرب إلى الصورة الواضحة وتبعد عن الصورة الضبابية في فضاء التمثيل. بالإضافة إلى ذلك، وباعتبار التوازن بين الأداء واستهلاك الذاكرة، نطور شبكة إزالة ضباب مدمجة تعتمد على إطار عمل يشبه الشبكة التلقائية (AE). وتتضمن هذه الشبكة عملية مزج تكيفية (adaptive mixup) ووحدة تحسين ميزات ديناميكية، حيث تُسهم الأولى في الحفاظ على تدفق المعلومات بشكل تكيفي، بينما تُسهم الثانية في توسيع مجال الاستقبال لتحسين قدرة الشبكة على التحويل. نُسمي شبكتنا لإزالة الضباب التي تدمج بين الشبكة التلقائية والـ CR بـ AECR-Net. تُظهر التجارب الواسعة على مجموعات بيانات مُصطنعة وواقعية أن AECR-Net تتفوق على الطرق الحديثة في مجالها. تم إصدار الشفرة المصدرية على الرابط التالي: https://github.com/GlassyWu/AECR-Net.