सभी-में-एक छवि पुनर्स्थापन के लिए आवृत्ति-पर conscientes गतिशील ट्रांसफार्मर सीखना

यह कार्य सभी-में-एक छवि पुनर्स्थापन कार्य को संभालने का लक्ष्य रखता है, जो एक ही मॉडल के साथ कई प्रकार की अवनति को संभालने का प्रयास करता है। प्राथमिक चुनौती यह है कि इनपुट अव्यवस्थित छवियों से अवनति प्रतिनिधित्वों को निकालना और उन्हें विशिष्ट अवनति प्रकारों के लिए मॉडल के अनुकूलन को निर्देशित करने के लिए उपयोग करना। यह मानते हुए कि विभिन्न अवनतियाँ विभिन्न आवृत्ति बैंड में छवि सामग्री को अलग-अलग प्रभावित करती हैं, हम एक नई सभी-में-एक छवि पुनर्स्थापन दृष्टिकोण का प्रस्ताव करते हैं, जो आवृत्ति पर ध्यान केंद्रित करता है और उन्नत दृष्टि ट्रांसफार्मरों का लाभ उठाता है। हमारी विधि में दो मुख्य घटक होते हैं: एक आवृत्ति-जानकारी अवनति प्रायर सीखने वाला ट्रांसफार्मर (Dformer) और एक अवनति-अनुकूल पुनर्स्थापन ट्रांसफार्मर (Rformer)। Dformer विभिन्न अवनतियों के आवश्यक लक्षणों को विभिन्न आवृत्ति घटकों में इनपुट को विभाजित करके पकड़ता है। यह समझते हुए कि अवनतियाँ इन आवृत्ति घटकों को कैसे प्रभावित करती हैं, Dformer मजबूत प्रायर सीखता है जो प्रभावी रूप से पुनर्स्थापन प्रक्रिया को निर्देशित करता है। फिर Rformer एक अवनति-अनुकूल आत्म-ध्यान मॉड्यूल का उपयोग करता है ताकि सबसे प्रभावित आवृत्ति घटकों पर चयनात्मक रूप से ध्यान केंद्रित किया जा सके, इसे सीखे गए अवनति प्रतिनिधित्वों द्वारा निर्देशित किया गया। व्यापक प्रयोगात्मक परिणाम यह दिखाते हैं कि हमारा दृष्टिकोण चार प्रतिनिधि पुनर्स्थापन कार्यों, जिसमें डिनॉइज़िंग, डेराइनिंग, डिहेजिंग और डेब्लरिंग शामिल हैं, पर मौजूदा विधियों की तुलना में बेहतर है। इसके अतिरिक्त, हमारी विधि स्थानिक रूप से भिन्न अवनतियों और अदृश्य अवनति स्तरों को संभालने के लिए लाभ प्रदान करती है।