النقل الأمثل المُشَرَطِي على البقايا: نحو استعادة الصور غير المزدوجة والمزدوجة مع الحفاظ على البنية

تواجه طرق استعادة الصور القائمة على التعلم العميق عادةً صعوبة في الحفاظ بصدق على هياكل الصورة الأصلية. في هذا البحث، نقترح منهجية جديدة تسمى "النقل الأمثل المشروط بالباقي" (RCOT)، والتي تُصوِّر عملية استعادة الصور كمشكلة نقل أمثل (OT) لكل من الإعدادات غير المترابطة والمترابطة، مع تقديم الباقي الناقل كإشارة فريدة محددة للتشوه لكل من تكلفة النقل وخرائط النقل. بشكل خاص، نقوم أولاً بتصيغ هدف النقل الأمثل الذي يُرشَد بواسطة الباقي الفوريير عن طريق دمج المعلومات المحددة للتشوه في الباقي ضمن تكلفة النقل. كما نصمم خريطة النقل كخريطة RCOT ثنائية المرور تتكون من نموذج أساسي وعملية تحسين، حيث يتم حساب الباقي الناقل بواسطة النموذج الأساسي في الدور الأول ومن ثم ترميزه كتمثيل محدد للتشوه لشروط عملية الاستعادة في الدور الثاني. بواسطة الثنائية، يتم تحويل مشكلة RCOT إلى مشكلة تعظيم-تصغير يمكن حلها من خلال تدريب شبكات العصبونات بشكل معادي. أظهرت التجارب الواسعة على مهام متعددة للاستعادة أن RCOT يحقق أداءً تنافسيًا من حيث مقاييس التشويه وجودة الإدراك، باستعادة الصور بهياكل أكثر صدقًا مقارنة بالطرق الرائدة.ملاحظات:- "Residual-Conditioned Optimal Transport" تم ترجمتها إلى "النقل الأمثل المشروط بالباقي" (RCOT).- "Fourier residual" تم ترجمتها إلى "الباقي الفوريير".- "minimax optimization problem" تم ترجمتها إلى "مشكلة تعظيم-تصغير".- تم استخدام المصطلحات التقنية الشائعة والمعروفة في اللغة العربية لضمان الدقة والاحترافية.