YZ Sözlüğü
Yapay Zekanın tam sözlüğü
SRGAN
Super-Resolution Generative Adversarial Network, une architecture de GAN spécialisée dans la super-résolution d'images, utilisant un réseau générateur pour reconstruire des détails haute fréquence réalistes à partir d'images basse résolution.
Content Loss
Composante de la perceptual loss qui calcule l'erreur quadratique moyenne entre les cartes de caractéristiques de l'image générée et de l'image de référence à une couche spécifique d'un réseau pré-entraîné.
High-Frequency Details
Composantes de l'image contenant les informations de texture, de bordure et de détails fins que les méthodes traditionnelles de super-résolution peinent à reconstruire et que SRGAN vise à générer de manière réaliste.
Texture Transfer
Capacité de SRGAN à transférer des caractéristiques texturales réalistes apprises depuis les données d'entraînement vers les images sur-échantillonnées, créant des détails plausibles même lorsqu'ils n'existaient pas dans l'image basse résolution.
Upsampling Factor
Ratio d'augmentation de résolution spatiale appliqué par SRGAN, typiquement fixé à 4x dans l'architecture originale, transformant des images de faible résolution en versions haute résolution quatre fois plus grandes.
GAN Training Stability
Défi majeur dans l'entraînement de SRGAN où l'équilibre entre générateur et discriminateur doit être maintenu pour éviter la divergence ou la convergence prématurée vers des solutions sous-optimales.
Real-World Super-Resolution
Application de SRGAN à des images naturelles dégradées par des facteurs inconnus, nécessitant une robustesse accrue du modèle face aux artefacts de compression, au bruit et aux conditions d'éclairage variables.
PSNR vs Perceptual Quality Trade-off
Compromis fondamental dans SRGAN entre l'optimisation des métriques objectives comme le PSNR qui favorise le flou, et la qualité perçue qui privilégie les détails réalistes mais peut réduire les scores numériques.
Degradation Modeling
Processus de simulation des dégradations du monde réel (flou, bruit, compression) appliqué aux images haute résolution pour créer les paires d'entraînement basse/haute résolution utilisées par SRGAN.
Multi-Scale Architecture
Extension de SRGAN traitant l'image à plusieurs échelles simultanément pour mieux capturer les détails à différentes résolutions et améliorer la cohérence globale de la super-résolution.
Zero-Shot Super-Resolution
Approche où SRGAN s'adapte à des dégradations spécifiques non vues pendant l'entraînement, utilisant les caractéristiques internes de l'image d'entrée pour guider la reconstruction sans données supervisées.