النماذج الانتشارية الضمنية للتحسين المستمر للدقة

لقد لاقت تحسين الصور (SR) اهتمامًا متزايدًا نظرًا لتطبيقاتها الواسعة. ومع ذلك، تُعاني الطرق الحالية لـ SR عادةً من تأثيرات التمويه الزائد والعيوب البصرية، ومعظم الأبحاث تقتصر على تكبيرات ثابتة. تقدم هذه الورقة نموذجًا تفاضليًا ضمنيًا (IDM) لتقوية الصور ذات الدقة العالية والمتصلة. يدمج IDM تمثيلًا عصبيًا ضمنيًا ونموذجًا تفاضليًا لتنقية الضوضاء في إطار موحد يعتمد على التدريب من الطرفين (end-to-end)، حيث يُستخدم التمثيل العصبي ضمني في عملية الترميز لتعلم تمثيل مستمر للدقة. علاوةً على ذلك، صممنا آلية تهيئة قابلة للتحكم بالقياس، تتكون من شبكة تهيئة ذات دقة منخفضة (LR) وعامل تكبير. يُنظم عامل التكبير دقة الصورة، وبالتالي يضبط النسبة بين معلومات الصورة ذات الدقة المنخفضة والميزات المولدة في المخرج النهائي، ما يمكّن النموذج من التكيف مع متطلبات الدقة المستمرة. وقد أثبتت التجارب الواسعة فعالية نموذج IDM، وأظهرت تفوقه على الطرق السابقة.