ترميم الصور للمناطق العشوائية باستخدام ميزات السياق الكثيفة

أظهرت الشبكات العصبية الالتفافية العميقة (DCNN) إمكانياتها في توليد نتائج معقولة في ترميم الصور. تستخدم بعض الطرق الحالية الالتفاف لتوليد الميزات المحيطة، ثم تمرر الميزات عبر طبقات متصلة بالكامل، وفي النهاية تتنبأ بالمناطق المفقودة. على الرغم من أن النتيجة النهائية معقولة من الناحية الدلالية، إلا أن بعض الحالات الضبابية الناتجة حدثت بسبب استخدام الالتفاف القياسي، والذي يعتمد على البكسلات الفعالة والقيم البديلة في الثقوب المmasked. في هذه الورقة، نقدم كتل كثيفة لهيكل U-Net، مما يمكن أن يخفف من مشكلة اختفاء التدرج، بينما يقلل أيضًا من عدد المعاملات. الأكثر أهمية هو أنه يمكن أن يعزز نقل الميزات ويجعل استخدامها أكثر كفاءة. يتم استخدام الالتفاف الجزئي لحل مشكلة العيوب مثل اختلافات الألوان والضبابية. تُظهر التجارب على مجموعة بيانات place365 أن نهجنا يمكن أن يولد نتائج أكثر تفصيلاً ومعقولة دلالياً في ترميم الصور للمناطق العشوائية.