ارائه یک شبکه مولد ترکیبی مبتنی بر توجه جهت افزایش وضوح تصاویر

بهبود کیفیت تصاویر در حوزه بینایی کامپیوتری به عنوان یکی از چالش‌های کلیدی مطرح شده است. در این مقاله، یک مدل جدید شبکه عصبی مولد متخاصم وضوح فوق‌العاده مبتنی بر توجه معرفی شده است که با ترکیب مدل‌های شبکه بهبود وضوح تصویر واقعی و شبکه توجه کانال‌محور رسوبی برای بهبود بازسازی تصاویر با وضوح بالا و کاهش اعوجاج‌ها و نویزهای پیچیده توسعه داده شده است. اعوجاج‌های تصویر شامل تحریفات هندسی، تاری و از بین رفتن جزئیات هستند که در تصاویر با وضوح پایین یا فشرده‌شده معمولاً مشاهده می‌شوند.در این مدل، قابلیت‌های شبکه بهبود وضوح تصویر واقعی برای کاهش نویز و افزایش وضوح به همراه توانایی شبکه توجه کانال‌محور رسوبی در حفظ جزئیات دقیق به کار گرفته شده‌اند. نتایج تجربی بر روی چند نمونه از مجموعه داده‌های شناخته‌شده در این حوزه نشان داده‌ است که مدل پیشنهادی بهبود عملکردی حدود 5 درصد به‌طور متوسط در معیار piqeو ... را نسبت به روش‌های موجود مانند شبکه بهبود وضوح تصویر با تقویت توجه و شبکه بهبود وضوح تصویر واقعی در معیارهای شناخته‌شده بازسازی کور تصویر ارائه داده است. این بهبودها، مدل را قادر ساخته‌اند تا تصاویر را با وضوح بالا و حداقل اعوجاج و نویز بازسازی کند.

presenting an attention-based hybrid generative network for image resolution enhancement

improving the quality of images in the field of computer vision has been raised as one of the keychallenges. in this paper, a new attention-based super-resolution adversarial generative neuralnetwork model is introduced, which is developed by combining real image resolution enhancementnetwork models and residual channel-based attention network to improve reconstruction of highresolutionimages and reduce complex distortions and noises. image distortions include geometricdistortions, blurring, and loss of detail commonly seen in low-resolution or compressed images. inthis model, the capabilities of the real-world image enhancement network to reduce noise andenhance clarity along with the ability of the residual channel-oriented attention network to preservefine details are used. experimental results on several examples of well-known data sets in this fieldhave shown that the proposed model improves the performance by about 5% on average in piqeand . compared to existing methods such as attention enhancement network and real imageresolution enhancement network in well-known measures of blind image reconstruction. theseimprovements have enabled the model to reconstruct images with high resolution and minimaldistortion and noise.