نماذج التوافقي العشوائي للانتشار لتحسين التركيب الدلالي للصورة بشكل متين

التركيب الصوري الدلالي (SIS) هو مهمة توليد صور واقعية مطابقة للخرائط الدلالية (العلامات). ومع ذلك، في التطبيقات العملية، غالبًا ما يواجه SIS إدخالات مستخدم غير دقيقة. لحل هذه المشكلة، نقترح نموذج الانتشار الشرطي العشوائي (SCDM)، وهو نموذج انتشار شرطي قوي يتميز بعمليات تقدمية وتوليدية جديدة مصممة خصيصًا لـ SIS مع علامات غير دقيقة. يعزز هذا النموذج القوة من خلال إضافة اضطرابات عشوائية إلى الخرائط الدلالية عبر الانتشار الدلالي، الذي يقوم بتوسيع العلامات باستخدام انتشار متقطع. من خلال توسيع العلامات، تصبح الخرائط الدلالية الضوضائية والنظيفة مشابهة مع زيادة الزمن الفعلي، وفي النهاية تتطابق تمامًا عند $t=T$. هذا يسهل توليد صورة قريبة من الصورة النظيفة، مما يمكن التوليد القوي. بالإضافة إلى ذلك، نقترح جدول ضوضاء حسب الفئة لتوسيع العلامات بشكل مختلف اعتمادًا على الفئة. نوضح أن الطريقة المقترحة تولد عينات ذات جودة عالية من خلال التجارب والتحليلات الواسعة على مجموعات بيانات المعايير، بما في ذلك تركيب تجريبي جديد يحاكي الأخطاء البشرية أثناء التطبيقات العملية. الكود متاح على https://github.com/mlvlab/SCDM.