افزایش وضوح (Super-Resolution) تصاویر کم کیفیت با بهره گیری از معماری های Diffusion و یادگیری ژنراتیو ترکیبی

ابر تفکیک پذیری تصاویر کم کیفیت به عنوان یکی از مسائل بنیادین در پردازش تصویر و بینایی ماشین، نقش مهمی در ارتقای کیفیت داده های بصری در کاربردهایی نظیر تصویربرداری پزشکی، نظارت تصویری و سنجش ازدور ایفا می کند؛ با این حال، بازسازی قابل اعتماد تصاویر در مواجهه با تخریب های واقعی و مرکب همچنان یک چالش اساسی باقی مانده است. بررسی ادبیات پژوهش نشان داد که بسیاری از روش های موجود یا به فرضیات ساده شده تخریب متکی هستند یا از ادغام موثر معماری های Diffusion با راهبردهای یادگیری ژنراتیو مکمل بهره نمی برند، که این امر منجر به محدودیت در پایداری، کنترل محتوا و تعمیم پذیری می شود. بر این اساس، این پژوهش با هدف ارائه یک چارچوب نوین ابر تفکیک پذیری مبتنی بر ترکیب معماری های Diffusion و یادگیری ژنراتیو ترکیبی انجام شد. در این مطالعه، مدل پیشنهادی با استفاده از داده های تصویری کم کیفیت تولیدشده به صورت کنترل شده آموزش داده شد و عملکرد آن با بهره گیری از معیارهای کمی، ادراکی و تحلیل های آماری ارزیابی گردید. نتایج نشان داد که چارچوب پیشنهادی در مقایسه با روش های مبتنی بر CNN، GAN و مدل های صرفا مبتنی بر Diffusion، بهبود معناداری در معیارهای PSNR و SSIM ایجاد کرده و کیفیت ادراکی تصاویر بازسازی شده را به طور قابل توجهی افزایش داده است. همچنین، کاهش پراکندگی آماری نتایج بیانگر پایداری عملکرد و قابلیت تعمیم پذیری بالای مدل در سناریوهای متنوع تصویربرداری بود. در مجموع، یافته ها نشان داد که رویکرد پیشنهادی می تواند به عنوان راهکاری موثر و قابل تعمیم برای ابر تفکیک پذیری تصاویر کم کیفیت در شرایط واقعی مورد استفاده قرار گیرد و مسیر پژوهش های آینده را هموار سازد.

کلیدواژه ها:

ابر تفکیک پذیری تصویر ، مدل های انتشار ، یادگیری ژنراتیو ترکیبی ، تصاویر کم کیفیت ، تعمیم پذیری مدل