تعلم الميزات الدقيقة والغنية للصور النمطية فائقة الدقة

يهدف تحسين دقة الصور الاستريو (stereoSR) إلى تعزيز جودة نتائج التحسين العالي للدقة من خلال دمج المعلومات المكملة من وجهة نظر بديلة. رغم أن الطرق الحالية قد أظهرت تقدمًا كبيرًا، إلا أنها تعمل عادةً على تمثيلات بدقة كاملة لحفظ التفاصيل المكانية، مما يجعلها تواجه تحديات في التقاط المعلومات السياقية بدقة. وفي الوقت نفسه، تقوم هذه الطرق باستخدام جميع التشابهات الخاصة بالخصائص لدمج المعلومات بين وجهتي النظرتين، مما قد يؤدي إلى إغفال تأثير المعلومات غير ذات الصلة. لتجاوز هذا المشكلة، نقترح شبكة دمج انتقائي متعددة المقاييس (MSSFNet) لحفظ التفاصيل المكانية الدقيقة ودمج كميات كبيرة من المعلومات السياقية، واختيار وتجميع الخصائص الأكثر دقة من وجهتي النظرتين بشكل متكيف لتعزيز تحقيق StereoSR عالية الجودة. وبشكل خاص، قمنا بتطوير كتلة متعددة المقاييس (MSB) تحصل على تمثيلات خصائص غنية سياقيًا عبر مقاييس مكانية متعددة مع الحفاظ على التفاصيل المكانية الدقيقة. بالإضافة إلى ذلك، لتحقيق حفظ معلومات وجهات النظر المتداخلة الأكثر أهمية بشكل ديناميكي، صممنا وحدة انتباه للدمج الانتقائي (SFAM) تقوم بالبحث عن نقل الخصائص الأكثر دقة من وجهة النظر الأخرى. ولتعلم مجموعة غنية من الخصائص المحلية وغير المحلية، قمنا بتقديم كتلة التحويل الفوري السريع (FFCB) لتضمين المعرفة في مجال التردد بشكل صريح. أظهرت التجارب الواسعة أن MSSFNet حققت تحسينات كبيرة على الطرق الرائدة في المجال في كل من التقييمات الكمية والنوعية.