摘要
مع تطبيق الشبكات التوليدية التنافسية في مجال تحسين دقة الصور (SR)، يمكن لبعض طرق SR المدفوعة بالملاحظة استعادة صور SR ذات تفاصيل نسيجية أكثر غنى، مما يخفف بفعالية من مشكلة تميل صور SR المولدة بواسطة طرق SR التي تعتمد على PSNR إلى أن تكون ناعمة. ومع ذلك، فإن معلومات التدرج، باعتبارها أحد الأشكال الهامة لتعبير النسيج في الصورة، نادرًا ما يتم استغلالها بدقة وكفاءة في طرق SR. لذلك، تم اقتراح خوارزمية تحسين دقة الصور القائمة على إدراك التدرج (GASR) التي يمكنها استغلال معلومات التدرج بدقة أكبر. من ناحية، يتم استخدام خريطة ميزات مجال التدرج كنواة تلافيفية تعمل على خريطة ميزات مجال الصورة، مما يتجنب بفعالية مشكلة تعارض المجال الناتجة عن توصيل خرائط الميزات من مجالات مختلفة؛ ومن ناحية أخرى، من خلال تعديل تفاصيل تصميم حجم النواة التلافيفية، يتطابق حقل الاستقبال لخريطتي الميزات في مجال الصورة ومجال التدرج في الفروع المواظبة. بالإضافة إلى ذلك، نظرًا لمتطلبات تبسيط الشبكة في التطبيقات العملية، تعمل خوارزمية GASR المقترحة على تقليل عدد المعلمات وحجم العمليات الحسابية بشكل فعال. مقارنةً بخوارزمية SPSR التي تستخدم معلومات التدرج أيضًا، تحقق GASR أداءً مشابهًا باستخدام حوالي 1/6 من عدد المعلمات و1/10 من العمليات الحسابية. على مجموعة بيانات Set14، تحسن LPIPS و PSNR بمقدار 0.0022 و0.217 على التوالي. أثبتت النتائج التجريبية أن GASR يمكنها تحقيق توازن جيد بين توليد النسيج ونعومة الصورة، وأظهرت النتائج البصرية أن GASR ليست فقط قادرة على استعادة صور SR بدقة، بل تخفف أيضًا إلى حد ما من توليد النسيج العشوائي.
关键词
تحسين دقة الصورة; التدرج; التعلم العميق; الشبكات التنافسية التوليدية
以上内容由讯飞翻译自动生成，翻译内容仅供参考。对于因使用本网站翻译内容产生的相关后果，本网站不承担任何商业和法律责任。
The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website