HyperAIHyperAI

Command Palette

Search for a command to run...

الشبكة الترددية الانتقائية لاستعادة الصور

Alois Knoll Kai Huang Xiaochun Cao Xinwei Gao Wenqi Ren Zhenshan Bing Yi Tao Yuning Cui

الملخص

تهدف إعادة ترميم الصور إلى استعادة الصورة الحادة الكامنة من نسخة مُتضررة منها. بالإضافة إلى معالجة هذه المهمة التقليدية في المجال المكاني، يسعى عدد قليل من الأساليب إلى إيجاد حلول في المجال الترددي، مع مراعاة الفجوة الكبيرة بين الطيفين الخاصين بالصور الحادة والصور المتضررة. ومع ذلك، فإن هذه الدراسات تستخدم عادةً أدوات تحويل، مثل تحويل الموجات (Wavelet Transform)، لتقسيم السمات إلى أجزاء ترددية متعددة، وهي طريقة ليست مرنة بما يكفي لاختيار المكون الترددي الأكثر إفادة لاسترداد الصورة. في هذه الورقة، نستعرض وحدة متعددة الفروع وذات وعي محتوى لتقسيم السمات إلى نطاقات فرعية ترددية منفصلة بشكل ديناميكي ومحلي، ثم نُعزز المكونات المفيدة من خلال أوزان انتباه حسب القناة. علاوةً على ذلك، لمعالجة تشوهات التمويه الكبيرة الناتجة عن تدهور واسع النطاق، نقترح وحدة فصل وتعديل بسيطة للغاية لتوسيع مجال الاستقبال من خلال متوسط التجميع العالمي والمحلي القائم على النافذة. وبدمج هاتين الوحدتين المطوّرتين في هيكل U-Net، تُظهر الشبكة المقترحة، المسمّاة "شبكة التردد المُختارة" (SFNet)، أداءً متميزًا مقارنةً بالأساليب الرائدة في مجال إعادة ترميم الصور على خمسة مهام، تشمل تفادي التمويه الناتج عن التركيز غير المثالي في صورة واحدة، وإزالة الضباب، وتفادي التمويه الناتج عن الحركة، وإزالة الثلوج، وإزالة المطر.


بناء الذكاء الاصطناعي بالذكاء الاصطناعي

من الفكرة إلى الإطلاق — سرّع تطوير الذكاء الاصطناعي الخاص بك مع المساعدة البرمجية المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.

البرمجة التعاونية باستخدام الذكاء الاصطناعي
وحدات GPU جاهزة للعمل
أفضل الأسعار

HyperAI Newsletters

اشترك في آخر تحديثاتنا
سنرسل لك أحدث التحديثات الأسبوعية إلى بريدك الإلكتروني في الساعة التاسعة من صباح كل يوم اثنين
مدعوم بواسطة MailChimp