Gözü kapalı görüntü süper-çözünürlük için üretken veri çoğaltma

Gözü kapalı görüntü süper-çözünürlük (SR) alanında önemli ilerlemeler kaydedilmiş olsa da, gelişim hâlâ gerçek düşük çözünürlüklü (LR) ve yüksek çözünürlüklü (HR) görüntü çiftlerinin eksikliğiyle sınırlanmaktadır. Mevcut yöntemler genellikle, HR görüntülere rastgele uygulanan gürültü seviyeleri, bulanıklık filtreleri ve sıkıştırma bozulmalarından oluşan basitleştirilmiş modellerle sentetik bozulmalar üretmeye dayanır. Ancak bu tür elle tasarlanmış bozulmalar, gerçek dünyadaki görüntüleme süreçlerinin karmaşıklığını yansıtamadığından, sentetik eğitim verisi ile gerçek dünya test koşulları arasında önemli bir dağılım farkına neden olur. Bu sınırlamayı aşmak için, gerçek bozulma özelliklerini doğrudan gerçek görüntülerden öğrenen üretken veri çoğaltma çatısı öneriyoruz. Önerdiğimiz yöntem, temiz HR girdilerden gerçekçi LR karşılıklar üreterek, pratik koşullarla yüksek uyumluluk gösteren, bozulma farkındalığına sahip büyük ölçekli eğitim veri kümelerinin oluşturulmasını sağlar. Yapılan kapsamlı deneyler, ürettiğimiz verilerle eğitilen modellerin birden fazla gerçek dünya veri setlerinde üstün performans sergilediğini, dağılım farkını belirgin şekilde azalttığını ve yaygın kullanılan diğer bozulma yöntemlerini geride bıraktığını göstermektedir.