في عالم التصوير الرقمي، تبرز تقنية دمج الصور متعددة الطيف (Pansharpening) كأحد أهم الأساليب لتحسين جودة الصور. يهدف هذا المجال إلى دمج الصور منخفضة الدقة متعددة الطيف (Low-Resolution Multispectral) مع الصور عالية الدقة (High-Resolution) الأحادية (Panchromatic) للحصول على نتائج تفصيلية رائعة. ومع ذلك، تواجه الأساليب الحالية تحديات كبيرة، خاصةً في دقة التكيف مع التوزيعات المعقدة والمتنوعة ت spatially في الصور.

للتغلب على هذه التحديات، تم تطوير نموذج CGFformer، الذي يقدم أساليب متقدمة تعتمد على تكنولوجيا تحويل النماذج (Transformers). يستند هذا النموذج إلى مفهوم التوجيه القائم على التكتلات (Cluster-Guided) والذي يركز على التوزيع المتغير للترددات. بالاعتماد على وحدة فصل تكيفية تجمع بين الخصائص المحلية والمعلومات غير المحلية، يتيح CGFformer فصل ترددات الصور بشكل أدق.

بالإضافة إلى ذلك، يتضمن النموذج وحدة تنقيح مزدوجة التي تستخدم تقنيات الانتباه المتبادل (Cross-Attention) للتخلص من أنواع مختلفة من الضوضاء، مما يسهم في تحسين دقة الصور المدمجة. كما تمثل وحدته للإندماج بين التردد والفضاء خطوة مبتكرة تهدف إلى تعزيز التفاصيل وضمان التفاعل الفعال بين مكونات التردد والهيكل المكاني.

بفضل هذه الميزات، أظهرت التجارب الواسعة التي أجريت على مجموعات بيانات مرجعية متعددة أن CGFformer يحقق تحسينات ملحوظة مقارنة بالأساليب القائمة.

إذا كنت من المهتمين بتقنيات دمج الصور وتحسين دقتها، فما رأيك في هذه التطورات المثيرة؟ شاركونا آراءكم في التعليقات!