رأت إزالة التشويش في الصور تقدمًا هائلاً في السنوات الأخيرة بفضل التقدمات المحققة في مجال التعلم العميق. أثبتت النهج المبني على التعلم العميق كفاءتها العالية في إزالة تشويش الحركة وتحسين وضوح الصورة. من خلال تعلم أنماط إزالة الضباب المعقدة من مجموعات البيانات الكبيرة، يمكن لأنظمة التعلم العميق تحقيق إزالة تشويش الصور على نحو متكامل مع نتائج ممتازة.
ركزت دراسة أجرتها أكاديمية العلوم العسكرية، جامعة شيديان وجامعة بكين على مختلف جوانب تشويش الحركة، بما في ذلك أسبابه، ومجموعات بيانات الصور المشوشة، ومقاييس التقييم لجودة الصورة، والمنهجيات المختلفة المطورة للتقليل من تشويش الحركة الأعمى. قسمت الدراسة الطرق القائمة إلى أربع فئات: الخوارزميات المستندة إلى شبكات العصب الاصطناعي الظاهرية، الخوارزميات المستندة إلى الشبكات العصبية العابرة للزمن، الخوارزميات المستندة إلى شبكات توليد المضادة، والخوارزميات المستندة إلى بنية المحول.
تُستخدم الخوارزميات المستندة إلى شبكات العصب الاصطناعي الظاهرية بشكل واسع في مجال معالجة الصور نظرًا لقدرتها على التقاط المعلومات المكانية والميزات المحلية. تبرز الشبكات العصبية المتراكبة (CNNs) في المهام مثل إزالة التشويش والتصفية، باستخدام مجموعات بيانات كبيرة للتدريب. ومع ذلك ، قد تواجه هذه الخوارزميات صعوبة في تلبية مهام إزالة التشويش التي تتطلب معلومات عامة أو اعتمادات طويلة المدى. نشأت الشبكات التصاعدية الممزوجة كحل شائع للتغلب على هذه القيود.
تنقسم الخوارزميات المستندة إلى شبكات العصب الاصطناعي النهائية والأنظمة التي تعتمد على المراحل المبكرة إلى فئتين رئيسيتين من تقنيات التقليل العمي في الصورة باستخدام شبكات العصب الاصطناعي. ركزت الخوارزميات الأولى على تقدير صورة نواة التشويش وإجراء إجراءات تصفية عكسية أو تصفية طريقة الإزاحة على أساس تلك التقديرات. ومع ذلك ، غالبًا ما يفشل هذا النهج في إزالة التشويش المعقد الحقيقي في الحالات الحقيقية. ومن ناحية أخرى ، تحوّل النهج من البداية إلى النهاية الصورة المشوشة إلى صورة واضحة باستخدام الشبكات العصبية، مما يحسن بشكل كبير جودة استعادة الصورة.
تستغل الخوارزميات المستندة إلى الشبكات العصبية العابرة للزمن الشبكات العصبية الرياضية القابلة للتغيير مكانيًا لتقليد عملية التخفيف. بينما تبرع في التقاط التبعيات الزمنية أو المتتالية في إزالة التشويش لسلسلة الصور ، فإنها قد تواجه صعوبة في توفير المعلومات المكانية. نتيجة لذلك ، يتم عادة دمج الشبكات العصبية العابرة للزمن مع بنى أخرى لتحقيق نتائج مثلى في مهام إزالة التشويش الصورة.
ستبة حققت الخوارزميات المستندة إلى شبكات توليد المضادة نجاحًا كبيرًا أيضًا في إزالة التشويش في الصور. من خلال التدريب المتعارض ، تنشئ الشبكات التوليدية المضادة صورًا واضحة أكثر واقعية وجاذبية بصريًا من المدخلات المشوشة. ومع ذلك ، يمكن أن يكون تدريب الشبكات التوليدية المضادة تحديًا يتطلب توازنًا دقيقًا بين شبكة المُنتج وشبكة التمييز لتجنب مشكلات مثل انهيار النمط أو عدم التقارب.
توفر الخوارزميات المستندة إلى بنية المحوّل مزايا معالجة للمهام التي تستلزم الاعتماد على مسافات طويلة وجمع معلومات عامة. ومع ذلك ، فإن التكلفة الحسابية لإزالة التشويش في الصورة تكون كبيرة نظرًا لتواجد عدد كبير من البكسلات.
كما يسلط هذا البحث الضوء ، فإن مجموعات البيانات عالية الجودة أمر بالغ الأهمية لتدريب نماذج التعلم العميق في إزالة التشويش في الصور. مع المزيد من التطورات والتحسينات ، تحمل نماذج التعلم العميق إمكانات هائلة للاستخدامات في مجالات مثل القيادة الذاتية ومعالجة الفيديو والمراقبة.
The source of the article is from the blog tvbzorg.com