HyperAIHyperAI

Command Palette

Search for a command to run...

ERQA: تقييم جودة الاستعادة الحافة لاسترجاع دقة الفيديو

Anastasia Kirillova Eugene Lyapustin Anastasia Antsiferova Dmitry Vatolin

الملخص

على الرغم من الانتشار المتزايد لاسترجاع التفاصيل عالية الدقة في الفيديو (VSR)، لا تزال هناك طريقة فعّالة لتقدير جودة التفاصيل المستعادة في الإطارات المُضخّمة. قد تُنتج بعض طرق الاسترجاع (SR) أرقامًا خاطئة أو وجوهًا مختلفة تمامًا. ويعتمد مدى موثوقية نتائج أي طريقة على مدى دقتها في استرجاع التفاصيل الواقعية. يمكن لاسترجاع الصور عالية الدقة (Image SR) استخدام التوزيعات الطبيعية لإنتاج صورة عالية الدقة تكون مشابهة إلى حد ما للصورة الأصلية. أما استرجاع الفيديو عالية الدقة (VSR)، فيتيح استكشاف معلومات إضافية من الإطارات المجاورة لاسترجاع التفاصيل من المشهد الأصلي. ويهدف المؤشر الذي نقترحه في هذه الورقة، المُسمّى ERQA، إلى تقدير قدرة النموذج على استرجاع التفاصيل الحقيقية باستخدام تقنية VSR. وبافتراض أن الحواف تُعدّ ذات أهمية كبيرة في التعرف على التفاصيل والخصائص، اخترنا التزامن الحوائي (Edge Fidelity) كأساس لهذا المؤشر. وتُبنى التحقق التجريبي من عملنا على معيار MSU لاسترجاع الفيديو عالية الدقة، الذي يشمل أكثر الأنماط صعوبة في استرجاع التفاصيل، ويُعدّ معيارًا لفحص دقة التفاصيل المستعادة من الإطار الأصلي. ويُتاح الكود الخاص بالمؤشر المقترح بشكل عام عبر الرابط التالي: https://github.com/msu-video-group/ERQA.


بناء الذكاء الاصطناعي بالذكاء الاصطناعي

من الفكرة إلى الإطلاق — سرّع تطوير الذكاء الاصطناعي الخاص بك مع المساعدة البرمجية المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.

البرمجة التعاونية باستخدام الذكاء الاصطناعي
وحدات GPU جاهزة للعمل
أفضل الأسعار

HyperAI Newsletters

اشترك في آخر تحديثاتنا
سنرسل لك أحدث التحديثات الأسبوعية إلى بريدك الإلكتروني في الساعة التاسعة من صباح كل يوم اثنين
مدعوم بواسطة MailChimp