التعلم متعدد التدهور المُوجّه بالتركيبات لاستعادة الصور

الاستفادة من العلاقة بين مهام معالجة الصور المتنوعة يُعد أمرًا مفيدًا جدًا في فهم المكونات الجوهرية الكامنة وراء التدهور. شهدت السنوات الأخيرة ازدهارًا لمجموعة متنوعة من الطرق الموحّدة (All-in-one)، التي تتعامل مع عدة أنواع من تدهور الصور ضمن نموذج واحد. ومع ذلك، في الممارسة العملية، لم تُبذل سوى محاولات قليلة لاستكشاف العلاقات بين المهام، وذلك بسبب صعوبة تحديد المكونات الأساسية المشتركة لجميع أنواع تدهور الصور، ما يؤدي إلى أداء ضعيف في التوسع عند إضافة مهام جديدة. في هذا البحث، نقترح منظورًا جديدًا لاستكشاف تدهور الصور من خلال نهج مُركّز على المكونات (ingredients-oriented) بدلًا من النهج التقليدي المُركّز على المهام (task-oriented)، بهدف تحقيق تعلم قابل للتوسع. بشكل محدد، يتكوّن نهجنا، المسمّى بإطار إعادة صياغة التدهور المُركّز على المكونات (IDR)، من مرحلتين: جمع المعرفة المُركّزة على المهام، ودمج المعرفة المُركّزة على المكونات. في المرحلة الأولى، نُطبّق عمليات مخصصة على مختلف أنواع التدهور وفقًا للمبادئ الفيزيائية الكامنة وراءها، ونُنشئ مراكز أولية (prior hubs) مُقابلة لكل نوع من التدهور. أما في المرحلة الثانية، فإننا نعيد صياغة التدفقات السابقة المُركّزة على المهام تدريجيًا إلى مركز مركّز على المكونات الوحيد من خلال تحليل المكونات الرئيسية القابل للتعلم (PCA)، ونستخدم آلية توجيه ديناميكية لمعالجة إزالة التدهور غير المعروف باحتمالية. أظهرت التجارب الواسعة على مهام متنوعة لمعالجة الصور فعالية وقابلية التوسع لنهجنا. والأهم من ذلك، يُظهر IDR قدرة ممتازة على التعميم تجاه المهام المستقبلية غير المعروفة.