HAIR: استعادة الصور الشاملة المستندة إلى الشبكات الفائقة

يهدف استعادة الصور إلى استرجاع صورة عالية الجودة ونظيفة من نسختها المتدنية الجودة. وقد أظهر التقدم الحديث في مجال استعادة الصور فعالية النماذج الشاملة لاستعادة الصور في التعامل مع أنواع مختلفة من التدهورات غير المعروفة بشكل متزامن. ومع ذلك، فإن هذه الطرق الموجودة عادةً ما تستخدم نفس المعلمات للتعامل مع صور متأثرة بأنواع مختلفة من التدهور، مما يجبر النموذج على الموازنة بين الأداء في المهام المختلفة ويحد من أدائه في كل مهمة على حدة. لحل هذه المشكلة، نقترح استخدام HAIR، وهي طريقة قابلة للتطبيق الفوري تعتمد على الشبكات الفائقة لإعادة بناء الصور الشاملة وتوليد المعلمات بناءً على الصورة المدخلة، مما يجعل النموذج يتكيّف ديناميكيًا مع نوع التدهور المحدد.تتكون HAIR بشكل خاص من مكونين رئيسيين، وهما تصنيف الصور (Classifier) والشبكة الفائقة للمشاركة (Hyper Selecting Net - HSN). يستخدم تصنيف الصور كشبكة بسيطة لتقييم الصور لإنشاء متجه المعلومات العالمية (Global Information Vector - GIV)، الذي يحتوي على معلومات عن تدهور الصورة المدخلة. أما HSN فهي شبكة عصبية متصلة بالكامل بسيطة تتلقى GIV وتصدر المعلمات للوحدات المرتبطة بها. تثبت التجارب الواسعة أن HAIR يمكنها تحسين الأداء بشكل كبير للنماذج الحالية لاستعادة الصور بطريقة قابلة للتطبيق الفوري، سواء في الإعدادات ذات المهمة الواحدة أو الإعدادات الشاملة. وبشكل ملحوظ، يمكن لنموذجنا المقترح Res-HAIR، الذي يدمج HAIR في Restormer المعروف جيدًا، تحقيق أداء أفضل أو مشابه للأداء الحالي لأفضل الطرق المتاحة.بالإضافة إلى ذلك، نثبت نظريًا أنه لتحقيق خطأ صغير بما فيه الكفاية، يحتاج نموذجنا المقترح HAIR إلى عدد أقل من المعلمات مقارنة بالطرق الرئيسية القائمة على التضمين (embedding-based) للنماذج الشاملة. يمكن الوصول إلى الكود عبر الرابط التالي: https://github.com/toummHus/HAIR.