Key points are not available for this paper at this time.
يعد استيفاء البكسلات المفقودة مهمة حيوية في معالجة الصور، حيث أن وجود نسب عالية من البكسلات المفقودة يمكن أن يؤدي إلى تدهور كبير في أداء المهام اللاحقة مثل تقسيم الصور واكتشاف الأجسام. يقدم هذا البحث منهجًا جديدًا لاستيفاء البكسلات المفقودة يعتمد على الشبكات التنافسية التوليدية (GANs). نقترح بنية جديدة لـ GAN تضم وحدة هوية وهيuristic مستوحاة من حركة الحيوانات المنوية خلال الفلترة لتحسين اختيار البكسلات المستخدمة في إعادة بناء البيانات المفقودة. تتنقل الهيuristic الذكية المستوحاة من حركة الحيوانات المنوية في مساحة بكسل الصورة، وتحدد أكثر البكسلات المجاورة تأثيرًا لاستيفاء دقيق. يتضمن منهجنا ثلاثة تعديلات أساسية: (1) دمج وحدة هوية ضمن بنية GAN للحد من مشكلة تلاشي التدرج؛ (2) تقديم خوارزمية ميتا هيuristic تعتمد على حركة الحيوانات المنوية لاختيار أعلى 10 بكسلات تسهم بشكل فعال في توليد البكسل المفقود؛ و(3) تنفيذ آلية الفاصل التكيفية بين القيمة الفعلية للتمييز والمتوسط المرجح للبكسلات المختارة، مما يعزز كفاءة المولد ويضمن اتساق البكسلات المستوفاة مع سياق الصورة المحيطة. نقيم الطريقة المقترحة على ثلاث مجموعات بيانات متميزة (صور الطاقة، صور الطاقة الشمسية من NREL، ومجموعة بيانات التوربينات الريحية من NREL)، موضحين أدائها المتفوق في الحفاظ على سلامة البكسل أثناء عملية الاستيفاء. تؤكد تجاربنا أيضًا فعالية المنهج في معالجة التحديات اليومية في GANs، مثل انهيار الوضع وتلاشي التدرجات، عبر هياكل GAN المختلفة.
درس محمود وآخرون (الثلاثاء) هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: