في عالم الذكاء الاصطناعي، أثبتت نماذج الانسياب (Diffusion Models) كفاءتها العالية في العديد من مهام استعادة الصور، بما في ذلك تحسين دقة الصور (Super Resolution). ولكن، يواجه الباحثون تحديات تتعلق بالحجم الكبير لهذه النماذج وإجراءات العينة التكرارية التي تجعل من الصعب نشرها في التطبيقات العملية.

بينما يسعى المطورون لرفع جودة الصور، قدمت الدراسة الجديدة نموذجاً يحمل اسم TOC-SR، الذي يعد إطاراً متميزاً لبناء نماذج تحسين دقة الصور بكفاءة عالية من خلال اكتشاف هيكل ضغط مناسب.

بدأ الباحثون بموديل انسيابي مكون من 16 قناة، ومن ثم قاموا بإنشاء كتل بديلة فعّالة من الناحية البرمجية باستخدام تقنية التقطير الجيني (Generative Distillation)، كما أجروا اكتشافاً للهيكل باستخدام تحسين بايزي مقيد (Epsilon-Constrained Bayesian Optimization) للحد من تعقيد النموذج مع الحفاظ على دقة الاستعادة.

النتائج المثيرة تظهر أن الهيكل المضغوط الجديد أتى بتخفيض يصل إلى 6.6 مرات في عدد المعلمات و2.8 مرات في GMACs مقارنة بالنموذج الموسع. بعد ذلك، تم تحسين هذا الهيكل لأغراض تحسين دقة الصور، مع تقطير عملية الانسياب إلى مولد أحادي الخطوة.

تجاربهم أظهرت أن Approach TOC-SR enables تسريع عمليات تحسين دقة الصور دون التضحية بجودة الاستعادة. يشير هذا الإنجاز إلى مستقبل واعد في مجال معالجة الصور باستخدام الذكاء الاصطناعي، حيث سيمكن المطورين من أفضل التقنيات بغرض توفير تجربة مستخدم ممتازة ودقيقة.