إحياء الشبكة التلافيفية لإعادة تكوين الصور

تهدف استعادة الصور إلى إعادة بناء صورة عالية الجودة من نسخة مُتضررة منها، وتؤدي دورًا جوهريًا في العديد من السياقات. شهدت السنوات الأخيرة تحولًا جوهريًا في مجال استعادة الصور، من الشبكات العصبية التلافيفية (CNNs) نحو النماذج القائمة على المُحول (Transformers)، وذلك بفضل قدرتها الفائقة على نمذجة التفاعلات بين البكسلات على مدى بعيد. في هذه الورقة البحثية، نستعرض الإمكانات الكامنة للشبكات التلافيفية في استعادة الصور، ونُظهر أن المعمارية البسيطة للشبكة التلافيفية المقترحة، والمعروفة بـ ConvIR، يمكنها تحقيق أداءً مُماثلاً أو حتى أفضل من نماذج المُحول. من خلال إعادة تقييم الخصائص المميزة للخوارزميات المتقدمة في استعادة الصور، اكتشفنا عدة عوامل رئيسية أدت إلى تحسين أداء نماذج الاستعادة. ويشجعنا هذا الاكتشاف على تطوير شبكة جديدة لاستعادة الصور تعتمد على عمليات تلافيفية منخفضة التكلفة. تُظهر التجارب الشاملة أن ConvIR تحقق أداءً يُعدّ من الأفضل على مستوى الحالة الحالية (state-of-the-art) مع تعقيد حسابي منخفض، على مدار 20 مجموعة بيانات معيارية، في خمسة مهام ممثلة لاستعادة الصور، بما في ذلك إزالة الضباب من الصور، وإزالة الضباب الحركي/الضباب البؤري، وإزالة المطر، وإزالة الثلوج من الصور.