كودر مزدوج مرتبط لإعادة تكوين الوجه

إعادة إنتاج تفاصيل الوجه من الصور ذات الجودة المنخفضة (LQ) ظلت مشكلة صعبة بسبب عدم تحديدها بشكل جيد الناجم عن مختلف التدهورات في البيئة الطبيعية. يخفف النموذج السابق للدفتر الرمزي من هذه المشكلة غير المحددة بشكل جيد من خلال الاستفادة من مُشفِّر تلقائي ودفتر رمزي تم تعلمه لخصائص ذات جودة عالية (HQ)، مما حقق جودة ملحوظة. ومع ذلك، تعتمد الأساليب الحالية في هذا الإطار غالبًا على مُشفِّر واحد مُدرَّب مسبقًا على بيانات ذات جودة عالية لإعادة إنتاج الصور ذات الجودة العالية، مما يتجاهل الفجوة بين مجالات الصور ذات الجودة المنخفضة والجودة العالية. نتيجة لذلك، قد يكون ترميز المدخلات ذات الجودة المنخفضة غير كافٍ، مما يؤدي إلى أداء دون المستوى الأمثل. لمعالجة هذه المشكلة، نقترح إطارًا جديدًا ذو فرعين اسمه DAEFR. يُقدِّم طريقة استخدامنا فرع LQ المساعد الذي يستخرج المعلومات الأساسية من المدخلات ذات الجودة المنخفضة. بالإضافة إلى ذلك، ندمج التدريب المرتبط لتعزيز التناغم الفعال بين الفرعين، مما يحسن التنبؤ بالرمز وجودة الإخراج. نقيم فعالية DAEFR على كل من قواعد البيانات المصطنعة والواقعية، مما يظهر أداءها الأفضل في إعادة إنتاج تفاصيل الوجه.صفحة المشروع: https://liagm.github.io/DAEFR/