تعلم الميزات المُثرَّاة من خلال نموذج الفضاءات الحالة المُختَارة لتفعيل إزالة الضبابية من الصور بكفاءة

تهدف إزالة الضبابية من الصور إلى استعادة صورة عالية الجودة من صورة مشوّشة مُقابلة لها. وقد مكّنت ظهور الشبكات العصبية التلافيفية (CNNs) والمحولات (Transformers) من تحقيق تقدم كبير في هذا المجال. ومع ذلك، غالبًا ما تواجه هذه الطرق التحدي المتمثل في التوفيق بين إزالة التشوهات طويلة المدى والحفاظ على الكفاءة الحسابية. في حين أن النموذج الفضائي المختار (SSM) يُظهر إمكانات كبيرة في نمذجة الاعتماديات طويلة المدى بتعقيد خطي، فإنه يواجه أيضًا تحديات مثل نسيان البكسل المحلي وازدواجية القنوات. ولحل هذه المشكلة، نقترح شبكة فعّالة لإزالة الضبابية في الصور تعتمد على نموذج الفضاء المختار لتجميع ميزات غنية ودقيقة. وبشكل محدد، نُقدّم كتلة تجميع المعلومات المحلية والعالمية (ALGBlock) المصممة لالتقاط ودمج الخصائص الثابتة محليًا والمعلومات غير المحلية بكفاءة. تتكوّن كتلة ALGBlock من وحدتين رئيسيتين: وحدة لالتقاط الميزات المحلية والعالمية (CLGF)، ووحدة تجميع الميزات (FA). ويتكون جزء CLGF من فرعين: الفرع العالمي يستخدم نموذج الفضاء المختار لالتقاط ميزات الاعتمادية طويلة المدى، بينما يستخدم الفرع المحلي انتباه القناة المبسط لتمثيل الاتصالات المحلية، مما يقلل من نسيان البكسل المحلي وازدواجية القنوات. بالإضافة إلى ذلك، صممنا وحدة FA لتعزيز الجزء المحلي من خلال إعادة ضبط الأوزان أثناء تجميع مخرجات الفرعين لتحسين عملية الاستعادة. تُظهر النتائج التجريبية أن الطريقة المقترحة تتفوّق على أحدث الأساليب المُعتمدة على معايير شائعة في المعايير المعيارية.