摘要
حاليًا، نادرًا ما يتم إدخال المعلومات السابقة في طرق التعلم العميق القائمة على البيانات في مجال إزالة الضباب، وغالبًا ما تتطلب شبكات إزالة الضباب المعتمدة على التعلم العميق ذاكرة حاسوب وقوة حسابية عالية. لمعالجة هذه المشكلة، تقترح هذه الورقة شبكة إزالة ضباب متعددة المقاييس بمواءمة المعلومات عالية التردد (HFMS-Net). يستخدم إطار الشبكة نمطًا دوريًا: بالنسبة للمولد، يتم إدخال وصلات الباقي في أعماق مختلفة من شبكة التلافيف الخفيفة للاستفادة الكاملة من ميزات الطبقات الوسطى، لتحقيق دمج متعدد المقاييس للميزات؛ بالنسبة للمميز، يجب على الشبكة استخراج معلومات النسيج من مدخلاتها لمقاربة المعلومات عالية التردد بين صورة إزالة الضباب والصورة الضبابية، مما يجعل الشبكة القائمة على البيانات أكثر تفسيرًا فيزيائيًا. مقارنة بـ PFDN، تحقق HFMS-Net أداء متفوقًا مع استهلاك ذاكرة حوالي 1/5 في الإعداد نفسه، مع زيادة في PSNR وSSIM بمقدار 0.71 و0.016 على التوالي. تثبت التجارب المقارنة وإزالة المكونات أن أداء إزالة الضباب للشبكة أفضل من الخوارزميات الحالية وتحافظ على دقة أعلى لمعلومات النسيج.
关键词
دمج متعدد المقاييس;مواءمة المعلومات عالية التردد;شبكة تنافسية توليدية
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