في عالم استعادة الصور الحقيقية (Real-IR)، يمثل التحدي في استعادة الصور بجودة عالية من التشويهات المعقدة والمجهولة إحدى النقاط المحورية. وقد أحدثت الأساليب الحديثة القائمة على الانتشار (Diffusion) تقدمًا ملحوظًا في جودة التصوير، لكن تم الكشف عن وجود مشكلتين رئيسيتين لم تُحلا بعد.

تتمثل المشكلة الأولى في أن الأساليب التي تعتمد على ضجيج غاوسي تبدأ ببطء وغالبًا ما تؤدي إلى نتائج أقل ولاءً للصورة المجهدة. بينما تتطلب الأساليب المعتمدة على المتبقي (Residual) تدريبًا من الصفر، مما يصعب الاستفادة من النماذج التوليدية المعتمدة مسبقًا.

للتغلب على هذه التحديات، نقدم تقنية ScaleResfusion، وهي إطار عمل انتشاري قابل للتوسع مخصص لاستعادة الصور الحقيقية. يعتمد هذا الإطار الجديد على نماذج تدفق مصحح للنصوص إلى الصور تم تدريبها مسبقًا. ويعتبر التدفق التصحيحي المتبقي جزءًا جوهريًا من الطريقة المقترحة، حيث يتم إدخال مصطلح المتبقي R في التدفق المصحح القياسي.

بدلاً من البدء من ضجيج خالص، تستخدم هذه الطريقة مسار نقل متبقي يبدأ من صور منخفضة الجودة (LQ) ويتيح نقطة تسريع دقيقة. من خلال تعلم حقل المتبقي، تبقي تقنية التدفق المصحح المتبقي التوزيعات والعمليات الانسيابية الخطية متوافقة مع النماذج المصححة المدربة مسبقًا. وبالتالي، يصبح التعديل الدقيق للمعلمات مع تحقيق الكفاءة على نطاق واسع ممكنًا.

كما نقدم خط أنابيب لتقطير المعرفة (Knowledge Distillation) لتقليل تكلفة العينة مع الحفاظ على جودة الاستعادة. أظهرت التجارب الواسعة على مجموعة متعددة من مهام الاستعادة الواقعية أن ScaleResfusion تحقق أداءً رائدًا بأعلى كفاءة. تشير هذه النتائج إلى وسيلة عملية وقابلة للتوسع لتكييف نماذج الانتشار الكبيرة المدربة مسبقًا مع استعادة الصور الحقيقية.

يمكنكم زيارة رابط كود ScaleResfusion لاستكشاف المزيد من التفاصيل.

ما رأيكم في هذه التقنية الجديدة وتطبيقاتها المحتملة؟ شاركونا في التعليقات!