تجزیه تحلیل فراتفکیک پذیری (سوپر رزولوشن) دقیق تصویر بر اساس رویکرد یادگیری عمیق

اخیرا توجه زیادی به شبکه های عصبی کانولوشن (همجوشی) شده که آن را به متغیری اجتناب پذیر برای جامعه سوپر رزولوشن (فراتفکیک پذیری یا وضوح فوق العاده) جهت کشف پتانسیل آن تبدیل نموده است. مطالعه پیش رو به منظور ارایه روش یادگیری عمیق برای سوپر رزولوشن یک تصویر واحد انجام شده است. این مطالعه به بررسی ادبیات سوپر رزولوشن در زمینه یادگیری عمیق پرداخته و بر جنبه های حایز اهمیت چندرسانه ای ها مانند عکس، ویدیو و چند بعدی ها به خصوص نقشه های عمق تمرکز نموده است . روش مورد استفاده در این تحقیق بطور مستقیم به فراگیری ترسیم پایان به پایان میان عکسهای با رزولوشن (وضوح) بالا و پایین می پردازد. علاوه بر این، این مطالعه نشان می دهد که روش های مبتنی بر برنامه ریزی پراکنده و ضعیف سنتی نیز می تواند به عنوان یک شبکه کانولوشن عمیق مورد استفاده قرار گیرد. با این وجود، بر خلاف اینکه روش های سنتی هر کدام از مولفه ها را بطور جداگانه بکار می برند اما روش مورد استفاده در این مطالعه به بهینه سازی تمامی لایه ها می پردازد. این مطالعه به بررسی ساختارهای شبکه ای مختلف و تنظیمات پارامتری پرداخته تا به ارتباط میان عملکرد و سرعت پی ببرد. همچنین، این مطالعه به توسعه و گسترش شبکه جهت رویارویی با کانال های سه رنگ و کیفیت بهتر بازسازی سایه بطور همزمان پرداخته است. علاوه بر این، هدف این مطالعه ارایه یک روش سوپر رزولوشن تک تصویری بسیار دقیق می باشد. این روشیک از شبکه کنولوشن بسیار عمیق که تحت تاثیر شبکه VGG قرار دارد برای طبقه بندی خالص تصاویر استفاده نموده است. این تحقیق تنها به فراگیری باقیمانده ها پرداخته و نرخ های یادگیری بی نهایت بالایی (104 آیتم بالاتر از (SRcNN را مورد استفاده قرار داده است که توسط قطع گرادیان قابل تنظیم فعال شده است. روش پیشنهادی، عملکرد بهتری نسبت به روش های موجود از نظر دقت و پیشرفت های بصری داشته که میتوان این نکته را در نتایج حاصل از مطالعه مشاهده نمود.