שימור האיכות של תמונות, גם בהתרוממות שלהן, עבר התקדמות משמעותית בשנים האחרונות בזכות התקדמויות בלמידה עמוקה. גישות בנויות על בסיס למידה עמוקה הוכחו כיעילות במרחיקת המופסת התנועה ושיפור בבהירות התמונה. באמצעות למידה של דפוסי הסריקה הלא החדים ממערכת נתונים גדולה, מערכות למידה עמוקות יכולות להשיג שחזור מלא תמונות עם תוצאות מעולות.
מחקר אחרון שבוצע על ידי אקדמיה המדע הצבאית, אוניברסיטת צ'ידיאן ואוניברסיטת פקינג מתמקד בדפוסי המופסת התנועה השונים, כולל הסיבות שמובילות להם, קבוצות נתונים של תמונות מופסות, מדידות הערכה לאיכות התמונה ובניות שונות שפותחו לשחזור תמונות מופסות שלעור מסתובבת (2021). המחקר מסווג את השיטות הקיימות לארבעה קטגוריות: שיטות בהנחיית CNN, RNN, GAN ו- Transformer.
אלגוריתמים בהנחיית CNN נמצאים בשימוש רחב בעיבוד תמונה בזכות יכולתם ללכוד מידע מרחבי ותכונות מקומיות. רשתות התרמה מרחבית (CNNs) מצליחות במשימות כמו הסרת רעש ושחזור תמונה מופסה עת עושות שימוש במערכות נתונים בגדול. עם זאת, האלגוריתמים האלו עשויים להתקשות במשימות שחזור מופסות מתמונה הדורשות מידע גלובלי או תלות מרחוק. הכון הסריקה המתפשט התפתח כפתרון פופולרי להתגבר על הגבלות אלו.
רשתות מתרוממות בשלבים ומערכות "סוף-סוף" הן הקטגוריות המרכזיות של שיטות הבוחנות הביתיות המתבססות על CNN. אלגוריתמים בחורף מתמקדים באובדן דפוס תמונת הפקע עת עושים שימוש בשיקול סבירה בהשמת הפקע מארוע החיזוי ובחישוב הסריקה או גילוי הפכו. עם זאת, הגישה הזו מתקלת לעתים קרובות בהסרת הפקע המורכב במציאות רגילה. מצד שני, הגישות בהן הנתונים בידוד מתמינים מופסים התנועה מומינים באמצעות רשתות עצבים, משפרות משמעותית את איכות שחזור התמונה.
אלגוריתמים בהנחיית RNN משתמשים ברשתות RNN משתנות מרחבית כדי לדמות ביצועי השחזור. על אף שהם מוצלחים בלכידת תלות זמנית או רצטוריות בשחזור סדרת תמונות, הם עשויים לתקוע בשימוש מידע מרחבי. לכן, רשתות ה-RNN נמצאות בדרך כלל משולבות עם מבנים נוספים כדי להשיג תוצאות אופטימליות בשימוש במשימות שחזור התמונה.
אלגוריתמים בהנחיית GAN הצליחו גם כן בחזזור התמונות. דרך אימון נגדי, רשתות GAN יוצרות תמונות ברורות יותר ונראות יותר ממתינות מקלטות מופסות. עם זאת, האימון של GAN יכול להיות קשה והוא מחייב איזון מסודר בין רשת היוצר לרשת המשפט כדי למנוע בעיות כמו התרסקויות דפוס וחוסר ספיקה.
אלגוריתמים בהנחיית Transformer מציעים יתרונות מעבדתיים למשימות שדורשות תלות מרחקית ואיסוף מידע גלובלי. עם זאת, עלות החישוב לשחזור תמונות היא משמעותית, בשל מספר הפיקסלים הגדול.
כפי שמדגיש מחקר זה, מערכות נתונים איכותיות בקריטות לאימון מודלי למידה עמוקה בשחזור תמונות. עם התקדמות נוספת ויישור מתמשכים, מודלים למידה עמוקה מחזיקים פוטנציאל משמעותי עבור שימושים בתחומים כמו הנהיגה אוטונומית, עיבוד וידאו ושימות.
The source of the article is from the blog kewauneecomet.com