شبكة الفصل القابلة للعكس لإزالة الانعكاس من الصورة الواحدة

الطرق الحديثة القائمة على التعلم العميق لإزالة الانعكاس من الصورة الواحدة أظهرت تقدماً واعداً، وذلك لأسباب رئيسية اثنتين: 1) استخدام ميزات تم تدريبها مسبقًا للتعرف كمدخلات، و2) تصميم شبكات التفاعل ثنائية التيار. ومع ذلك، وفقًا لمبدأ الزجاجة المعلوماتية (Information Bottleneck)، فإن الدلائل الصرفيّة عالية المستوى تميل إلى الضغط أو التخلص منها أثناء نقل البيانات طبقة بطبقة. بالإضافة إلى ذلك، تتبع التفاعلات في شبكات ثنائية التيار نمطًا ثابتًا عبر الطبقات المختلفة، مما يحد من الأداء العام. لمعالجة هذه القيود، نقترح هندسة جديدة تُسمى شبكة الفصل العكسية (Reversible Decoupling Network - RDNet)، والتي تستعمل مشفّرًا عكسيًا لضمان الحفاظ على المعلومات الثمينة مع فصل مرنة للميزات ذات الصلة بالنقل والانعكاس أثناء عملية النقل الأمامي. علاوة على ذلك، قمنا بتخصيص مولد دوافع يراعي معدل النقل لتكييف الميزات بشكل ديناميكي، مما يعزز الأداء بشكل أكبر. أثبتت التجارب الواسعة تفوق RDNet على الأساليب الرائدة حاليًا في خمسة مجموعات بيانات مقاييس شائعة الاستخدام. حققت RDNet أفضل الأداء في تحدي إزالة الانعكاس من الصورة الواحدة في البيئة الحقيقية ضمن مسابقة NTIRE 2025 في كل من المقارنة البصرية والدقة. يمكن الوصول إلى رمزنا البرمجي عبر الرابط: https://github.com/lime-j/RDNet