بازسازی ابر وضوح تصویر مبتنی بر تحلیل فرکانسی هزینه محور

بازسازی ابر وضوح تصویر یکی از مسائل مهم و پرکاربرد در حوزه پردازش تصویر و بینایی ماشین است که هدف آن تولید تصویریبا وضوح بالاتر از نسخه کم وضوح ورودی است. با وجود پیشرفت های اخیر در روش های مبتنی بر یادگیری عمیق، همچنان چالش هایی مانند حفظ جزئیات بافتی، بازسازی موثر مولفه های فرکانسی و دستیابی به توازن میان کیفیت و پیچیدگی محاسباتی وجود دارد.در این مقاله، روشی جدید با عنوان تحلیل فرکانسی هزینه محور (Frequency-Aware Cost) برای بازسازی ابر وضوح تصویر ارائه می شود. ایده اصلی این روش، تعریف تابع هزینه در فضای فرکانسی و اعمال وزن دهی متفاوت به باندهای فرکانسی مختلف شامل فرکانس های پایین، میانی و بالا است تا شبکه بتواند ویژگی های طیفی تصویر را به صورت موثری یاد بگیرد.نتایج آزمایش ها روی مجموعه داده های استاندارد Urban۱۰۰، BSD۱۰۰، Set۱۴،Set۵ و Manga۱۰۹ نشان می دهد که روش پیشنهادی در مقایسه با روش های قدرتمندی مانند HAT، SwinIR و Wavelet/CNN عملکرد بهتری از نظر PSNR، SSIM و LPIPS دارد و در عین حال از نظر تعداد پارامتر و هزینه محاسباتی نیز کارآمدتر است. روش پیشنهادی با ۸.۷ میلیون پارامتر و ۱۸۰ GLOPs توانسته تعادل مناسبی میان کیفیت بازسازی و پچیدگی مدل برقرار کند.

کلیدواژه ها:

ابر وضوح تصویر ، تحلیل فرکانسی ، شبکه های عصبی عمیق ، بازسازی تصویر ، مدل سازی هزینه محور