بهبود وضوح تصاویر دیجیتال و بازسازی داده های پیکسلی با استفاده از شبکه های عصبی عمیق (AI Upscaling)

با گسترش نمایشگرهای با وضوح بسیار بالا ۴K و ۸K و محدودیت های پهنای باند در انتقال داده های تصویری، تکنولوژی بازسازی تصویر یا Super-Resolution به یکی از حوزه های استراتژیک در پردازش سیگنال تبدیل شده است. روش های کلاسیک درونیابی به دلیل ماهیت خطی، قادر به بازیابی جزئیات با فرکانس بالا نبوده و خروجی هایی تار تولید می کنند. در این مقاله، رویکردهای مبتنی بر یادگیری عمیق (Deep Learning) برای بازسازی پیکسل ها بررسی می شود. تمرکز اصلی بر معماری های SRCNN و شبکه های زاینده مقابله ای (GAN) است که با استفاده از توابع زیان ادراکی، پیکسل های جدیدی را خلق می کنند که از نظر بصری با تصویر اصلی تفاوت چندانی ندارند. نتایج شبیه سازی ها نشان می دهد که مدل های پیشنهادی در شاخص های PSNR و SSIM برتری محسوسی نسبت به روش های سنتی دارند و در حوزه گرافیک کامپیوتری و نرم افزارهای ویرایش تصویر، انقلابی ایجاد کرده اند.

کلیدواژه ها:

بازسازی تصویر ، یادگیری عمیق ، پردازش پیکسل ، شبکه های زاینده مقابله ای (GAN) ، هوش مصنوعی ، Super-Resolution