تحسين دقة الصورة تحت الحمراء باستخدام التعلم الناقل وPSRGAN
أظهرت التطورات الحديثة في التحسين الفائق للصورة الفردية (SISR) قوة التعلم العميق في تحقيق أداء أفضل. نظرًا لتكاليف إعادة جمع بيانات التدريب وإعادة تدريب النموذج لتحسين الصورة تحت الطيف تحت الأحمر (IR)، فإن توفر عدد قليل جدًا من العينات لاستعادة الصور تحت الحمراء يمثل تحديًا مهمًا في مجال SISR. ولحل هذه المشكلة، نقترح أولًا شبكة التوليد التنافسي للتحسين التدريجي (PSRGAN) التي تتضمن مسارًا رئيسيًا ومسارًا فرعيًا. يُستخدم كتلة التباين العميقة (DWRB) لتمثيل خصائص الصورة تحت الحمراء في المسار الرئيسي. ثم، يُستخدم كتلة التباين المُبسطة الخفيفة الجديدة (SLDRB) لاستخراج الخصائص للصورة المرئية المتوفرة بسهولة في المسار الآخر. علاوة على ذلك، مستوحى من التعلم الناقل، نقترح استراتيجية التعلم الناقل متعددة المراحل لسد الفجوة بين فضاءات الميزات عالية الأبعاد المختلفة، مما يُحسن أداء PSRGAN. وأخيرًا، تُظهر التقييمات الكمية والكيفية على مجموعتي بيانات عامتين أن PSRGAN يمكنها تحقيق نتائج أفضل مقارنةً بطرق التحسين الفائق الأخرى.