الاهتمام بتردد القناة العالي والتعلم التبايني من أجل تحسين دقة الصورة

الملخص على مدار العقد الماضي، سمحت الشبكات العصبية التلافيفية (CNNs) بتقدم ملحوظ في تحسين دقة الصورة الواحدة (SISR). بشكل عام، فإن استعادة الميزات ذات التردد العالي أمر حاسم لنماذج الأداء العالي. تعاني الميزات ذات التردد العالي من أضرار أكثر خطورة من الميزات ذات التردد المنخفض أثناء التقليل، مما يجعل من الصعب استعادة الحواف والقوام. في هذه الورقة، نحاول توجيه الشبكة للتركيز أكثر على الميزات ذات التردد العالي في الاستعادة من كل من المنظور القنوي والمكاني. على وجه التحديد، نقترح نموذج اهتمام القناة ذو التردد العالي (HFCA) وفقدان التعلم التبايني ذو التردد (FCL) للمساعدة في العملية. من منظور القناة، يقوم نموذج HFCA بإعادة قياس القنوات من خلال التنبؤ بالمقاييس الإحصائية للتشابه لخرائط الميزات ومكوناتها ذات التردد العالي. من المنظور المكاني، يقدم فقدان FCL التعلم التبايني لتدريب قناع مكاني يخصص بشكل تكيفي المناطق ذات التردد العالي مع عوامل قياس كبيرة. ندمج نموذج HFCA المقترح وفقدان FCL في نموذج EDSR الأساسي لبناء الشبكة التداخلية ذات القناة ذات التردد العالي (HFCCN) المقترحة. تظهر النتائج التجريبية الواسعة أنها يمكن أن تعطي أداءً محسناً بشكل ملحوظ أو تنافسي مقارنة بالشبكات الرائدة ذات معلمات نموذج مماثلة.