الشبكات العصبية التشغيلية للاستعادة فائقة الدقّة في الصور فائقة الطيف بكفاءة من حيث عدد المعاملات

يُعَدّ التصويرُ فائقُ الطيف أداةً أساسيةً في الاستشعار عن بُعد، إذ يلتقط معلوماتٍ طيفيّةً تفوق بكثير ما توفّره الصورُ الملونة التقليدية (RGB). غير أنّ زيادةَ المعلومات الطيفية تأتي عادةً على حساب انخفاض الدقّة المكانية. وتُعنى الاستعادةُ فائقةُ الدقّة بإعادة بناء صورةٍ عاليةِ الدقّة من نظيرتها منخفضة الدقّة.

تعتمدُ معظمُ طرائق الاستعادة الحديثة على الشبكات العصبية الالتفافية (CNNs). وبما أنّ الالتفاف عمليةٌ خطّيّة في حدّ ذاته، تعتمد هذه الشبكات على دوالّ تفعيلٍ لاخطّيّة بعد كل طبقة لتوفير اللّاخطّية اللازمة لتعلّم الدوال المعقّدة؛ ما يستدعي غالباً شبكاتٍ عميقةً جدّاً لتحقيق الأداء المنشود.

حديثاً، اقتُرحت الشبكاتُ العصبية التشغيلية ذاتيّةُ التنظيم (Self-ONNs) لتجاوز هذا القيد عبر استبدال المرشّحات الالتفافية بمرشّحاتٍ تشغيليّةٍ لاخطّيّةٍ قابلةٍ للتعلّم تُقرَّب بسلسلةِ ماكلورين. يركّز هذا العمل على ترقية مرشّحات الالتفاف في نموذجٍ شائعٍ للاستعادة فائقة الدقّة إلى مرشّحاتٍ تشغيليّةٍ أقوى، بهدف تعزيز الأداء على الصورِ فائقةِ الطيف. كما ندرسُ تأثيرَ الوصلاتِ المتبقّية وأنواعِ التطبيع المختلفة على هذا الصنف من الشبكات المُحسّنة.

على الرغم من أنّ عددَ معاملاتِ الشبكات التشغيلية يمكن أن يكون أقلّ مقارنةً بنظيراتها الالتفافية، تُظهرُ نتائجُنا أنّ هذه الشبكات تُحقّق أداءً مُتفوقاً في الاستعادةِ فائقةِ الدقّة على مجموعاتِ بياناتِ الصورِ فائقةِ الطيف صغيرةِ الحجم. الشيفرةُ متاحةٌ على GitHub: https://github.com/aulrichsen/SRONN.