Zutatenorientiertes Multi-Degradations-Lernen für die Bildrekonstruktion

Die Nutzung der Beziehungen zwischen verschiedenen Aufgaben der Bildrekonstruktion erweist sich als äußerst vorteilhaft, um die zugrundeliegenden, intrinsischen Komponenten der Bilddegradation besser zu verstehen. In den letzten Jahren hat sich eine Vielzahl von „All-in-one“-Ansätzen etabliert, die mehrere Bilddegradationsarten innerhalb eines einzigen Modells bewältigen. In der Praxis wurden jedoch bisher nur wenige Anstrengungen unternommen, um die Zusammenhänge zwischen diesen Aufgaben zu erschließen, da die Untersuchung der grundlegenden, zugrundeliegenden Komponenten verschiedener Bilddegradationsarten oft vernachlässigt wurde. Dies führt zu einer schlechten Skalierbarkeit, wenn weitere Aufgaben hinzukommen. In diesem Artikel schlagen wir einen neuartigen Ansatz vor, der die Bilddegradation auf eine zutiefst „Zutaten-orientierte“ statt der traditionellen „Aufgaben-orientierten“ Weise untersucht, um eine skalierbare Lernstrategie zu ermöglichen. Konkret besteht unsere Methode, die wir als Ingredients-oriented Degradation Reformulation (IDR)-Framework bezeichnen, aus zwei Phasen: der aufgabenorientierten Wissenssammlung und der zutatenorientierten Wissensintegration. In der ersten Phase führen wir je nach zugrundeliegenden physikalischen Prinzipien spezifische Operationen auf unterschiedlichen Degradationstypen durch und etablieren für jeden Degradationstyp entsprechende Prior-Hubs. In der zweiten Phase reformuliert das Verfahren schrittweise die vorherigen aufgabenorientierten Hubs mittels lernbarer Hauptkomponentenanalyse (PCA) zu einem einzigen, zutatenorientierten Hub und setzt eine dynamische Routing-Mechanismen ein, um unbekannte Degradationen wahrscheinlichkeitstheoretisch zu entfernen. Umfangreiche Experimente an verschiedenen Aufgaben der Bildrekonstruktion belegen die Wirksamkeit und Skalierbarkeit unseres Ansatzes. Vor allem zeigt unser IDR-Modell eine hervorragende Generalisierungsfähigkeit auch auf unbekannte nachgelagerte Aufgaben.