摘要
تعاني طرق إعادة بناء الصور ذات الدقة الفائقة بناءً على نموذج الانتشار الاحتمالي للصورة الواحدة الحالية من نقص في استخراج المعلومات المكانية، حيث لم يتم استخدام المعلومات ذات الصلة بشكل كافٍ، كما توجد ظواهر زائدة في عملية الحساب. صممت هذه الورقة طريقة إعادة بناء دقة فائقة للصورة الواحدة تدمج شبكة انتباه متعددة الأبعاد. أولاً، بناءً على نموذج الانتشار SRDiff، تم اقتراح انتباه متعدد الأبعاد يجمع بين انتباه القناة والذات والفضاء، مما يعزز قدرة النموذج على التقاط الميزات عالية ومنخفضة الدقة، وبالتالي يمكن الاحتفاظ بالمزيد من التفاصيل والتناسق العام الأفضل عند استعادة الصورة ذات الدقة العالية. ثانيًا، تم إدخال الالتفاف الجزئي (PConv) لاستخلاص الميزات المكانية للصورة بدقة وبالتالي تحسين جودة نتائج الدقة الفائقة، وتقليل الحمل الحسابي بشكل واضح، مما يزيد من كفاءة تشغيل النموذج. تحت عامل التكبير 4، تمت مقارنة هذه الطريقة مع طرق أخرى على 5 مجموعات اختبار، وأظهرت النتائج أن قيمة نسبة الإشارة إلى الضوضاء القصوى (PSNR) تحسنت بمتوسط 0.762 ديسيبل مقارنةً بالطرق الأخرى، وتحسنت قيمة تشابه الهيكل (SSIM) بمتوسط 0.082. تتمتع الطريقة المقترحة بموضوعية بتفاصيل أكثر دقة وتأثير بصري أفضل، وموضوعيًا بمؤشرات PSNR وSSIM أعلى.
关键词
دقة فائقة; نموذج الانتشار; شبكة انتباه متعددة الأبعاد; الالتفاف الجزئي
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