في عالم معالجة الصور، تعد إزالة التشويش من الصور (Image Deblurring) من التحديات الكبيرة التي تواجه العديد من التقنيات التقليدية. في هذا السياق، يقدم باحثون نموذجًا مبتكرًا يدعى UPADNet (شبكة تفكيك الطور والسعة غير المطوية - Unrolled Phase and Amplitude Decomposition Network) الذي يسعى إلى تحسين طريقة استعادة الصور من خلال فحص دقيق لكل من السعة والطور.

تقنيات إزالة التشويش التقليدية غالبًا ما تركز على استعادة متغير الصورة المكاني مباشرة. ومع ذلك، تركز هذه الدراسة على أهمية تقدير الطور الدقيق، مما يسهل استعادة التفاصيل الحادة في الصور.

لتطبيق ذلك، قام الباحثون بتطوير مقدرات جديدة تقوم على تقنية الحد الأدنى من متوسط المربعات (LMMSE) للسعة والطور للصورة المشوشة والضوضاء، مما يمهد الطريق لأسلوب تحسين تكراري يستعيد الصورة الواضحة باستخدام هذه المقدرات.

المثير للاهتمام هو أن المعلمات المصفوفية التي كانت تُحدد إحصائيًا في الخوارزمية التكرارية، أصبحت الآن تتعلم من خلال مجموعة تدريبية تشمل مشاهد نظيفة ومشوشة. التجارب المستندة إلى مجموعات تقييم مرجعية مثل GoPro وRealBlur وCOCO أظهرت أن UPADNet يتفوق على الشبكات العميقة الرائجة الحالية، حتى بتطبيق تقنية تفكيك الخوارزمية في مجال الصورة.

تتضح مزايا UPADNet بشكل أكبر في الظروف التي تنتشر فيها الضوضاء العالية وبيانات التدريب المحدودة، مما يجعل هذا النموذج إضافة قوية ومبتكرة تساهم في مجال معالجة الصور.