← أحدث الأبحاث
🤖 AI

ENAF: A Multi-Exit Network with an Adaptive Patch Fusion for Large Image Super Resolution

تُعد ENAF شبكة ديناميكية متعددة المخارج لرفع دقة الصور الكبيرة، حيث تعمل على تحسين التوازن بين الجودة والتعقيد باستخدام شبكة صغيرة لتقدير نسبة الإشارة إلى الضجيج (PSNR) لدمج رقع الصور تكيفياً وتخصيصها لمخارج مبكرة مناسبة بناءً على تعقيد نسيجها.

المؤلفون الأصليون: Duong M. Nguyen, Tuan Nghia Nguyen, Xuan Truong Nguyen

نُشر 2026-08-18
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Duong M. Nguyen, Tuan Nghia Nguyen, Xuan Truong Nguyen

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

في عالم التصوير الرقمي، هناك توتر مستمر بين الوضوح والسرعة. نحن نعيش في عصر نمت فيه الشاشات من الدقة القياسية إلى الدقة العالية، والآن إلى دقة 4K و8K، مما يتطلب أن تكون الصور أكثر حدة وتفصيلاً من أي وقت مضى. وتتمثل إحدى المهام الشائعة في هذا المشهد في عملية "الرفع الفائق للصورة المفردة" (single image super-resolution)، وهي عملية يأخذ فيها الكمبيوتر صورة صغيرة ضبابية ومنخفضة الدقة ويعيد بناءها لتصبح نسخة كبيرة وواضحة. لسنوات، بنى الباحثون نماذج ذكاء اصطناعي قوية للقيام بهذا السحر، لكن هذه النماذج غالباً ما تكون ثقيلة وبطيئة؛ فهي تتطلب قدرة حوسبة هائلة تزدو بسرعة مع زيادة حجم الصورة، مما يجعل من الصعب تشغيلها على الأجهزة اليومية مثل الهواتف الذكية أو أجهزة التلفاز عند التعامل مع صور كبيرة جداً. لقد كان التحدي يكمن في إيجاد طريقة لجعل هذه الأنظمة الذكية أسرع دون التضحية بجودة الصورة النهائية، خاصة عندما يكون المدخل صورة ضخمة تحتاج إلى المعالجة قطعة قطعة.

ولحل هذه المعضلة، طور فريق من الباحثين من جامعة هانوي للعلوم والتكنولوجيا وجامعة سيول الوطنية نهجاً جديداً يسمى ENAF. فبدلاً من إجبار كل جزء من صورة كبيرة على المرور بنفس الخطوات المعقدة والمستهلكة للطاقة، يعمل هذا النظام كمنظم مرور ذكي. يقوم النظام بتقسيم الصورة الكبيرة إلى مربعات صغيرة، أو "رقع" (patches)، ثم يقرر مقدار الجهد الذي يستحقه كل جزء. لقد أدرك الباحثون أن أجزاء الصورة ليست متساوية في الصعوبة؛ فرقعة من السماء أو جدار أملس تحتوي على تفاصيل قليلة جداً ومن السهل ترميمها، بينما رقعة من شجرة ذات أوراق متشابكة أو وجه بملامح دقيقة هي أصعب بكثير. حاولت الأساليب السابقة تخمين الرقع الصعبة من خلال البحث عن الحواف أو الخطوط، لكن هذا غالباً ما أدى إلى أخطاء، حيث كانت تعامل المناطق البسيطة كما لو كانت معقدة والعكس صحيح. ويحسن ENAF من ذلك باستخدام شبكة مساعدة صغيرة ومتخصصة تتنبأ بدقة بمدى جودة النتيجة لكل رقعة إذا تمت معالجتها بسرعة مقابل معالجتها ببطء.

إن جوهر نظام ENAF هو شبكة رئيسية تحتوي على عدة "مخارج" على طول مسارها. تخيل ممرًا طويلاً به عدة أبواب تؤدي للخارج؛ يمكن للرقعة أن تخرج عبر باب مبكر إذا رأى النظام أنها أنجزت ما يكفي من العمل، أو يمكنها السفر حتى نهاية الممر إذا كانت بحاجة إلى مزيد من المعالجة. يستخدم النظام مساعده الصغير لتقدير درجة الجودة، المعروفة باسم PSNR، التي يمكن أن تحققها الرقعة عند كل مخرج من هذه المخارج. إذا توقع المساعد أن الرقعة ستبدو جيدة بما يكفي بعد خطوات قلي القليلة، يرسلها النظام للخروج مبكراً، مما يوفر قدراً هائلاً من قدرة الحوسبة. أما إذا كانت الرقعة معقدة، فيُسمح لها بالسفر لمسافة أبعد عبر الشبكة لضمان الجودة العالية. كما أضاف الباحثون حيلة ذكية للأجزاء الأبسط من الصورة، مثل الجدران الفارغة أو السماوات الصافية؛ فقد وجدوا أنه بالنسبة لهذه المناطق، قد تؤدي الشبكات العصبية الأكثر تعقيداً أحياناً أداءً أسوأ من تقنية تنعيم رياضية بسيطة وتقليدية. ولإصلاح ذلك، يتضمن ENAF كاشفاً يحدد هذه المناطق "الفارغة" ويرسلها فوراً إلى الطريقة البسيطة، متجاوزاً الآلات الثقيلة تماماً.

عندما اختبر الباحثون هذا النظام الجديد على مجموعات بيانات قياسية تحتوي على صور تتراوح دقتها من 2K إلى 8K، كانت النتائج كبيرة. فباستخدام هذا الأسلوب التكيفي، تمكن ENAF من تقليل كمية العمل الحوسبي المطلوب بنسبة تصل إلى 55 بالمائة مقارنة بالأساليب الرائدة السابقة، مع إنتاج صور ذات جودة مساوية أو أفضل. على سبيل المثال، في صور 8K الكبيرة جداً، استطاع النظام توفير ما يقرب من نصف قدرة الحوسبة التي كانت تطلبها النماذج القديمة. وأظهرت الدراسة أن هذا النهج يعمل بشكل جيد عبر أحجام مختلفة من نماذج الذكاء الاصطناعي الأساسية، بدءاً من النماذج الصغيرة المصممة للهواتف المحمولة وصولاً إلى النماذج الكبيرة للخوادم عالية الأداء. وقد أثبت الفريق أنه من خلال المطابقة الدقيقة بين صعوبة كل رقعة صورة ومقدار المعالجة المناسب لها، يمكنهم تحقيق توازن أفضل بكثير بين السرعة وجودة الصورة. وهذا يعني أنه في المستقبل، يمكن للأجهزة عرض فيديو عالي الدقة أو تحسين الصور في الوقت الفعلي دون الحاجة إلى أجهزة باهظة الثمن ومستهلكة للطاقة، مما يجلب معالجة الصور عالية الجودة إلى نطاق أوسع من التطبيقات اليومية.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.AI →