HyperAIHyperAI
منذ 17 أيام

الاستخلاص التبايني المتكيف في مجال الميزات لتحسين التكبير الفعّال للصورة الواحدة

HyeonCheol Moon, JinWoo Jeong, SungJei Kim
الاستخلاص التبايني المتكيف في مجال الميزات لتحسين التكبير الفعّال للصورة الواحدة
الملخص

في الآونة الأخيرة، أصبحت طرق التكبير الفائق للصور ذات الأساس على الشبكات العصبية التلافيفية (CNN) تمتلك عددًا كبيرًا من المعاملات وتكاليف حسابية عالية لتحقيق أداء أفضل، مما يحد من قابليتها للتطبيق على الأجهزة ذات الموارد المحدودة مثل الهواتف المحمولة. وكمثال على الطرق المتبعة لتحسين كفاءة الشبكة، تُدرس حاليًا تقنية نقل المعرفة (Knowledge Distillation - KD)، التي تُحول المعرفة المفيدة من الشبكة المعلمة (المعلم) إلى الشبكة المُدرَّبة (الطالب). ومؤخرًا، تم استخدام تقنية تقطيع الميزات (Feature Distillation - FD) في سياق تكبير الصور الفائق، حيث يتم تقليل خسارة المسافة الإقليدية بين خرائط الميزات للشبكتين (المعلم والطالب)، لكن هذه الطريقة لا تأخذ بعين الاعتبار بشكل كافٍ كيفية نقل المعرفة بشكل فعّال وذو معنى من المعلم إلى الطالب، مع مراعاة القيود المفروضة على قدرة الشبكة. في هذا البحث، نقترح طريقة جديدة تُسمى "نقل التباين التكيفي في مجال الميزات" (Feature-domain Adaptive Contrastive Distillation - FACD)، والتي تُستخدم لتدريب شبكات طالب خفيفة الوزن في مجال تكبير الصور الفائق بكفاءة. نُظهر القيود التي تواجهها الطرق الحالية المستندة إلى خسارة المسافة الإقليدية، ونُقدّم خسارة تباينية في مجال الميزات تُمكّن الشبكة الطالب من استخلاص معلومات أكثر ثراءً من تمثيلات المعلم في مجال الميزات. بالإضافة إلى ذلك، نُقدّم طريقة تكيّفية للنقل تُطبّق عملية النقل بشكل انتقائي بناءً على ظروف اللقطات التدريبية. أظهرت النتائج التجريبية أن الشبكات الطالب EDSR وRCAN المُدرّبة باستخدام الخطة المقترحة FACD قد تحسّنت ليس فقط من حيث أداء PSNR على جميع مجموعات البيانات المعيارية والمقاييس، بل أيضًا من حيث جودة الصورة الذاتية (الإدراكية) مقارنة بالطرق التقليدية القائمة على تقطيع الميزات.

الاستخلاص التبايني المتكيف في مجال الميزات لتحسين التكبير الفعّال للصورة الواحدة | أحدث الأوراق البحثية | HyperAI