تدفق مُعدَّل الوسيلة الخلفية: نحو استعادة صور واقعية بحد أدنى من متوسط مربع الخطأ

خوارزميات استعادة الصور الفوتوغرافية الواقعية يتم تقييمها عادةً باستخدام مقاييس التشوه (مثل PSNR، SSIM) ومقاييس الجودة الإدراكية (مثل FID، NIQE)، حيث الهدف هو تحقيق أقل تشوه ممكن دون المساس بالجودة الإدراكية. لتحقيق هذا الهدف، تعتمد الأساليب الحالية عادةً على أخذ عينات من التوزيع الخلفي أو تحسين مجموع مرجح لخسارة التشوه (مثل MSE) وخسارة الجودة الإدراكية (مثل GAN). بخلاف الأعمال السابقة، يركز هذا البحث بشكل خاص على المقدر الأمثل الذي يقلل من MSE تحت قيد جودة إدراكية مثالية، أي أن توزيع الصور المستعادة يكون مساويًا لتوزيع الصور الأصلية. تظهر نتيجة نظرية حديثة أنه يمكن بناء مثل هذا المقدر عن طريق نقل التنبؤ بوسط التوزيع الخلفي (تقدير MMSE) إلى توزيع الصور الأصلية بطريقة أمثل. مستوحى من هذه النتيجة، نقدم خوارزمية جريان التصحيح بعد الوسط الخلفي (PMRF)، وهي خوارزمية بسيطة ومع ذلك فعالة للغاية تقريبًا لهذا المقدر الأمثل. تحديدًا، تقوم PMRF أولاً بالتنبؤ بوسط التوزيع الخلفي، ثم تنقُل النتيجة إلى صورة عالية الجودة باستخدام نموذج جريان تصحيح يقرب الخريطة الناقلة المرغوبة بشكل أمثل. ندرس الفائدة النظرية لـ PMRF ونثبت أنها تتفوق باستمرار على الأساليب السابقة في مجموعة متنوعة من مهام استعادة الصور.