Taklif etilgan gibrid aniqlikdagi ko‘p ko‘rinishli ma’lumotlarni birlashtirish modeli bitta yuqori aniqlikdagi markaziy tasvir va sakkizta past aniqlikdagi atrof ko‘rinishdan foydalanib, sanoat metall tasvirlarini sakkiz baravar yuqori fazoviy aniqlikka olib chiqishni maqsad qilgan chuqur o‘rganishga asoslangan super-resolution arxitekturasidir. Tizim yuqori aniqlikdagi markaziy ko‘rinishdan yuqori chastotali teksturalarni uzatuvchi STF (Search and Transfer at Feature Levels) tarmog‘ini turli past aniqlikdagi ko‘rinishlar orasidagi fazoviy va burchak bo‘yicha to‘ldiruvchi ma’lumotni qayta ishlaydigan SR2I tarmog‘i bilan ×2, ×4 va ×8 masshtablarda bosqichma-bosqich birlashtiradi. Oltita sintetik test sahnasida taklif etilgan usul o‘rtacha 41,40 dB PSNR va 0,930 SSIM; haqiqiy tasvirlarda esa 35,37 dB PSNR va 0,848 SSIM natijalariga erishgan. Biroq tajribalar qat’iy 3 × 3 ko‘rinish tartibi va gibrid LR/HR tasvir olish tuzilmasiga asoslanadi; shu sababli natijalarni bevosita barcha sanoat tasvirlash konfiguratsiyalariga umumlashtirib bo‘lmaydi.

Tadqiqot nishonga olgan muammo ayniqsa metall detallar uchun murakkabdir. Yuqori qaytaruvchanlik, sust yoki takrorlanuvchi sirt teksturasi hamda turli kamera burchaklari orasidagi katta parallaks an’anaviy piksel tekislashni ham, yuqori chastotali detallarni to‘g‘ri joyga uzatishni ham qiyinlashtiradi. Bunga qarshi, faqat bitta tasvirga tayanuvchi super-resolution usullari turli ko‘rinishlarda mavjud to‘ldiruvchi ma’lumotdan foydalana olmaydi; faqat past aniqlikdagi ko‘p ko‘rinishlardan foydalanadigan usullar esa yuqori aniqlikdagi referens taqdim etadigan nozik teksturadan foydalana olmaydi.

Taklif etilgan yondashuv ushbu ikki ma’lumot manbasidan alohida foydalanadi. STF tarmog‘i yuqori aniqlikdagi markaziy ko‘rinishning ×1, ×2, ×4 va ×8 masshtabdagi xususiyatlarini ajratib oladi va ularni past aniqlikdagi yon ko‘rinish hududlari bilan attention asosidagi o‘xshashlik moslashtirish orqali taqqoslaydi. SR2I tarmog‘i esa ko‘p ko‘rinishli LR tasvirlarni to‘rt o‘lchamli fazoviy-burchak tuzilma sifatida qayta ishlab, Spatial–Angular Separable convolutions yordamida ko‘rinish ichidagi va ko‘rinishlar orasidagi ma’lumotni birlashtiradi. Har bir kattalashtirish bosqichida ikki tarmoq chiqishi kanal o‘lchami bo‘yicha birlashtiriladi va residual block orqali fusion bajariladi.

Sintetik ma’lumotlarda o‘rtacha PSNR 41,40 dB ga yetgan; bu qiymat ERVSR dan 4,45 dB va LFhybridSR dan 8,39 dB yuqori. Haqiqiy ma’lumotlar to‘plamida taklif etilgan usul 35,37 dB o‘rtacha PSNR bilan PSNR bo‘yicha eng yaxshi taqqoslash usuli LFhybridSR ning 34,19 dB natijasini 1,18 dB ga oshirgan. Bundan tashqari, haqiqiy tasvirlarda MiDaS-small bilan o‘tkazilgan dastlabki tajribada super-resolution oldindan ishlovi Abs Rel chuqurlik xatosini 0,5349 dan 0,1024 gacha kamaytirgan. Ushbu downstream natija tasvir detallarining chuqurlikni baholashni qo‘llab-quvvatlashi mumkinligini ko‘rsatadi; ammo bu bevosita yuqori aniqlikdagi sanoat o‘lchovlarining to‘g‘riligi isboti emas.

Ko‘p Ko‘rinishli Sanoat Tasvirlari Super-Resolutioni Nima?

Ko‘p ko‘rinishli sanoat tasvirlari super-resolutioni bir xil detalni turli kamera burchaklaridan ko‘rsatadigan tasvirlardagi to‘ldiruvchi fazoviy va burchak ma’lumotlarini birlashtirib, past aniqlikdagi ko‘rinishlardan yuqoriroq fazoviy detallarga ega tasvirlarni hosil qilish muammosidir.

Super-resolutionda LR (Low Resolution) past aniqlikni, HR (High Resolution) yuqori aniqlikni, SR (Super-Resolved) esa model tomonidan qayta tiklangan yuqori aniqlikdagi tasvirni anglatadi.

Bitta tasvirli super-resolutionda, ya’ni SISRda, model faqat bitta LR tasvirga tayanadi. Bu yondashuv boshqa kameralarda ko‘rinadigan detallardan foydalana olmaydi va ayniqsa katta kattalashtirish koeffitsiyentlarida haddan tashqari silliq natijalar berishi mumkin.

MVISR (Multi-View Image Super-Resolution) esa bir xil sahnaning turli burchaklardan olingan tasvirlarini birgalikda ishlatadi. Muayyan detal bir ko‘rinishda akslanish, burchak yoki past kontrast sababli sust bo‘lsa, boshqa ko‘rinishda aniqroq bo‘lishi mumkin.

Tadqiqot ushbu ko‘p LR tasvirlarning markaziga bitta HR referens ko‘rinishni ham joylashtiradi. Shu tariqa tizim nafaqat ko‘p ko‘rinishli geometriyadan, balki haqiqiy yuqori aniqlikdagi tasvirda mavjud bo‘lgan yuqori chastotali teksturadan ham foydalana oladi.

Fazoviy aniqlik bilan burchak aniqligi o‘rtasidagi farq

Fazoviy aniqlik bitta tasvirdagi piksel zichligi va detal darajasidir. Burchak aniqligi esa bir xil sahna nechta turli nuqtai nazardan namunalanganini va bu ko‘rinishlar qanday taqsimlanganini anglatadi.

Ushbu tadqiqot burchak aniqligini oshirishga urinmaydi. Foydalanilgan ko‘rinish tartibi qat’iy 3 × 3. Tadqiqotning maqsadi ushbu to‘qqiz ko‘rinishning fazoviy aniqligini oshirishdir.

Metall sirtlar nega qiyinroq?

Yuqori qaytaruvchan metall sirtda yorqinlik sirt teksturasi bilan aynan bir xil narsa emas. Kamera burchagi yoki yorug‘lik o‘zgarganda spekulyar akslanish ham o‘zgaradi; shu sababli bir xil fizik sirt qismi turli ko‘rinishlarda katta fotometrik farqlar ko‘rsatishi mumkin.

Ikkinchi muammo — teksturaning kamligi. Silliq va yaltiroq metall hududlarda patch moslashtirish ishlatishi mumkin bo‘lgan farqlovchi mahalliy naqshlar kam bo‘lishi mumkin. Uchinchi muammo — keng burchakli parallaks: yon kamera va markaziy kamera bir xil sirt detalini tasvirning turli hududlari hamda turli geometrik ko‘rinishlarda qayd etadi.

Shu sababli tadqiqot xom piksellarni bevosita moslashtirish o‘rniga o‘rganilgan feature space ichida o‘xshashlik qidirishni va ishonch past bo‘lganda uzatishni similarity score bilan bostirishni tanlaydi.

Gibrid Aniqlikdagi Kirish Nega Ishlatiladi?

Gibrid aniqlikdagi kirish barcha kameralardan qimmat HR tasvirlar olishni talab qilmasdan, markaziy HR ko‘rinishning yuqori chastotali teksturasini sakkizta atrof LR ko‘rinishning ko‘p burchakli geometrik ma’lumoti bilan birlashtirishni maqsad qiladi.

Haqiqiy tizimda to‘qqizta tajriba ko‘rinishining sakkiztasi past aniqlikda, markaziy ko‘rinish esa yuqori aniqlikda. Bu dizayn barcha ko‘rinishlarni HR da olishning tasvirlash va saqlash xarajatlarini ko‘tarmasdan yuqori aniqlikdagi referens ma’lumotdan foydalanish g‘oyasiga asoslanadi.

Model bu yagona HR ko‘rinishni bevosita barcha yon tasvirlarga yopishtirmaydi. Buning o‘rniga HR va LR tasvirlardan o‘rganilgan xususiyatlar ajratiladi; yon ko‘rinishdagi har bir hudud uchun markaziy ko‘rinishdagi eng o‘xshash feature patch qidiriladi va faqat o‘xshashlik yetarli bo‘lganda yuqori chastotali tekstura kattaroq vazn bilan uzatiladi.

STF Moduli Yuqori Aniqlikdagi Teksturani Qanday Uzatadi?

STF moduli past aniqlikdagi yon ko‘rinish feature patchlarini query, markaziy ko‘rinish feature patchlarini key sifatida ishlatadi; normallashtirilgan patch o‘xshashligiga ko‘ra eng mos markaziy hududni tanlaydi va shu joyning yuqori aniqlikdagi ko‘p masshtabli xususiyatlarini yon ko‘rinishga uzatadi.

Nega ikkita alohida encoder ishlatiladi?

STF tarmog‘ida LR va HR tasvirlar bir xil encoder og‘irliklarini bo‘lishmaydi. Ikki encoder birgalikda o‘qitiladi, biroq ularning parametrlari alohida.

Markaziy HR tasvir encoderi to‘rtta residual blockni o‘z ichiga oladi. Oxirgi uchta block stride 2 dan foydalanib feature map o‘lchamini bosqichma-bosqich kichraytiradi va markaziy ko‘rinishdan:

\[ F_{hr_c}^{1},\; F_{hr_c}^{2},\; F_{hr_c}^{4},\; F_{hr_c}^{8} \]

ko‘rinishida to‘rtta masshtabdagi xususiyatlarni ajratadi.

LR ko‘p ko‘rinishlar uchun faqat birinchi feature extraction block ishlatiladi va:

\[ F_{lr}= \left\{ F_{lr}^{1}, F_{lr}^{2}, \dots, F_{lr}^{n} \right\} \]

ko‘rinishida ×1 masshtabda ko‘rinish xususiyatlari olinadi.

Patch o‘xshashligi qanday hisoblanadi?

\(i\)-yon ko‘rinish feature mapi bilan markaziy ko‘rinish feature mapi patchlarga bo‘linadi. Yon ko‘rinishdagi \(k\)-patch bilan markaziy ko‘rinishdagi \(j\)-patch o‘rtasidagi o‘xshashlik manbaning Tenglama (1) ida normallashtirilgan ichki ko‘paytma shaklida berilgan:

\[ r_{k,j} = \left\langle \frac{P_{lr}^{k}}{\|P_{lr}^{k}\|}, \frac{P_{lr_c}^{j}}{\|P_{lr_c}^{j}\|} \right\rangle . \tag{1} \]

\(P_{lr}^{k}\) yon ko‘rinishning \(k\)-patchini; \(P_{lr_c}^{j}\) markaziy ko‘rinishning \(j\)-patchini; \(r_{k,j}\) esa ushbu ikki normallashtirilgan feature patch o‘rtasidagi o‘xshashlik skorini anglatadi.

Matematik jihatdan bu tuzilma patch kattaligidan ko‘ra feature yo‘nalishidagi o‘xshashlikni ustun qo‘yadi. Yuqori \(r_{k,j}\) ikki patchning o‘rganilgan xususiyatlar fazosida bir-biriga ko‘proq o‘xshashligini bildiradi.

Eng o‘xshash hudud qanday tanlanadi?

Har bir yon-ko‘rinish patchi uchun eng yuqori o‘xshashlik:

\[ S_{lr}^{k} = \max_{j} r_{k,j} \tag{2} \]

va shu qiymatni bergan markaziy-ko‘rinish patch indeksining joylashuvi:

\[ N_{lr}^{k} = \arg\max_{j} r_{k,j} \tag{3} \]

orqali olinadi.

\(S_{lr}^{k}\) moslashtirish ishonchini; \(N_{lr}^{k}\) esa markaziy HR tasvirda qaysi joydan detal ko‘chirilishini belgilaydi.

Similarity map nega “soft gate” kabi ishlaydi?

Markaziy ko‘rinishda to‘g‘ri patch topilgach, xuddi shu indeks ×1, ×2, ×4 va ×8 yuqori aniqlikdagi feature maplardan tekstura ma’lumotini olish uchun ishlatiladi.

Uzatgan tekstura featurelari similarity map bilan ko‘paytiriladi. Kuchli mosliklar yuqori vazn oladi, spekulyar akslanish yoki tekstura yo‘qligi sababli ishonchli moslik topilmagan hududlar esa kichik vaznlar bilan bostiriladi.

Bu mexanizm noto‘g‘ri markaziy-ko‘rinish teksturasining yon ko‘rinishga kuchli tarzda joylashtirilishi xavfini kamaytirishni maqsad qiladi.

Moslashtirish nega eng qo‘pol masshtabda bajariladi?

Manba feature matching amalini qo‘pol masshtabda bajarib, topilgan indekslarni barcha transfer masshtablarida qayta ishlatadi. Qo‘pol feature mapning bitta fazoviy nuqtasi tasvirning kengroq hududidan ma’lumot to‘plagani uchun keng burchakli parallaks keltirib chiqaradigan kichik tekislash farqlariga kamroq sezgir bo‘lishi mumkin.

SR2I Tarmog‘i Ko‘p Ko‘rinishli Geometriyadan Qanday Foydalanadi?

SR2I tarmog‘i 3 × 3 LR ko‘rinish guruhini fazoviy \((x,y)\) va burchak \((u,v)\) o‘lchamlarini birga olib yuruvchi to‘rt o‘lchamli tensor sifatida qayta ishlaydi hamda Spatial–Angular Separable convolution bloklari yordamida ko‘rinish ichidagi tuzilma bilan ko‘rinishlar orasidagi aloqani alohida ajratadi.

Kirish:

\[ LR_{x,y,u,v} \]

ko‘rinishida tasavvur qilinadi. Bu yerda \(x,y\) bitta tasvir ichidagi fazoviy koordinatalarni; \(u,v\) esa kamera ko‘rinishining burchak joylashuvini bildiradi.

Avval spatial convolution har bir ko‘rinish ichida mahalliy tuzilmani ajratadi. So‘ng angular convolution turli ko‘rinishlardagi featurelar o‘rtasidagi aloqani hisoblaydi. Keyingi fusion qatlami ushbu ikki turdagi ma’lumotni birlashtiradi.

SR2I avval LR tasvirni ikki baravar upsample qiladi. SAS bloklari ishlab chiqargan featurelardan oddiy upsample qilingan tasvir bilan maqsad HR tasvir o‘rtasidagi farqni ifodalovchi residual map baholanadi. Residual map upsample qilingan tasvirga qo‘shilib, ko‘p ko‘rinishli to‘ldiruvchi ma’lumotni o‘z ichiga olgan SR natija hosil qilinadi.

STF va SR2I nega alohida saqlanadi?

Ikki tarmoq turli ilmiy vazifalarni bajaradi. STF markaziy HR referensdan yuqori chastotali teksturani uzatishga qaratilgan. SR2I esa sakkizta LR atrof ko‘rinish bilan markaziy LR tuzilma o‘rtasidagi fazoviy-burchak izchilligidan foydalanib obyekt geometriyasi va past chastotali tuzilmani saqlashga harakat qiladi.

Bir xil masshtabda hosil qilingan STF va SR2I tensorlari kanal o‘lchamida birlashtiriladi va convolutional residual block orqali adaptiv fusionga kiradi. Bu jarayon ×2, ×4 va ×8 bosqichlarida takrorlanadi.

×2, ×4 va ×8 iyerarxiyasi

Manbaning asosiy arxitekturasida bir qadamda bevosita ×8 kattalashtirish o‘rniga bosqichli jarayon ishlatiladi. Birinchi bosqichda ×2 natija, ikkinchi bosqichda ×4 va oxirgi bosqichda ×8 natija olinadi.

Markaziy HR tasvirning turli masshtabdagi xususiyatlari STF tomonida har bir bosqichga mos yuqori chastotali ma’lumotni taqdim etsa, SR2I tomoni har bosqichda ko‘p ko‘rinishli LR geometriyasini qayta ishlaydi.

Manba avvalgi ichma-ich SR2I tuzilmasi ×4 da maqbul bo‘lsa-da, ×8 kattalashtirishda sezilarli samaradorlik yo‘qotganini; STFni ajratish va ko‘p masshtabli feature uzatish shu sababdan tanlanganini bildiradi.

Charbonnier Yo‘qotish Funksiyasi Nega Uch Masshtabda Hisoblanadi?

Model ×2, ×4 va ×8 masshtablarda oraliq SR tasvirlar hosil qilgani uchun o‘qitish yo‘qotishi faqat yakuniy ×8 chiqishda emas, balki uchala masshtabda hisoblangan Charbonnier yo‘qotishlari yig‘indisi sifatida aniqlangan.

Manba Tenglama (4):

\[ L = L_{c\times2} + L_{c\times4} + L_{c\times8} \tag{4} \]

va har bir masshtab uchun:

\[ L_{c\times s} = \sqrt{ \left(I_{sr}-I_{hr}\right)^2+\epsilon^2 }. \]

\(I_{sr}\) model hosil qilgan SR tasvirni, \(I_{hr}\) xuddi shu masshtabdagi maqsad yuqori aniqlikdagi tasvirni, \(\epsilon\) esa kvadrat ildiz hisobida sonli beqarorlikni kamaytirish uchun ishlatiladigan kichik konstantani anglatadi.

Charbonnier yo‘qotishi mutlaq xatoning silliqlashtirilgan shaklidir. Manba talqiniga ko‘ra kichik xato hududlarida silliqroq gradient xatti-harakatini beradi va \(\epsilon\) hadi tufayli chet qiymatlarga L2 yo‘qotishiga qaraganda chidamliroq.

Manba \(\epsilon\)ning sonli qiymatini keltirmaydi; bu qiymat Verianla tomonidan taxmin qilinmagan.

Tadqiqot Usuli va Natijalari

Ma’lumotlar to‘plami va tajriba tasvirlash tartibi

Tajribalarda ilgari 6D pose estimation maqsadida e’lon qilingan Sim-to-Real Dataset of Industrial Metal Objects ishlatilgan. Ma’lumotlar to‘plami ham real dunyo tasvirlarini, ham turli yoritish sharoitlarida yaratilgan sintetik tasvirlarni o‘z ichiga oladi.

Manbada oltita sanoat obyekt turi mavjudligi va ular yuqori qaytaruvchan metall obyektlar hamda kamroq qaytaruvchi qizil obyektlar sifatida guruhlanganligi aytiladi. Obyektlar pallet, quti va karton kabi turli tashuvchilarda, turli taxlash tartiblarida tasvirlangan.

Real ma’lumotlarni yig‘ish tizimida turli kameralar sanoat roboti atrofidagi aylana trayektoriyalarga joylashtirilgan. Jami 13 ko‘rinish bo‘lsa-da, markaziy tasvir va tashqi halqadagi sakkiztasidan tajriba uchun foydalanilgan; ichki halqadagi to‘rtta ko‘rinish markazdan turli masofalarda bo‘lgani sababli ishlatilmagan.

Real tajribani tasdiqlashda Intel RealSense L515 RGB tasvirlari ishlatilgan.

Sintetik ma’lumotlar Unity muhitida yaratilgan. HDRI environment maplar turli yoritishni, texture synthesis esa tirnalish kabi sirt detallarini taqlid qiladi. Sintetik ishlab chiqarish uchun referens haqiqiy tasvirlar JAI GO-5000-PGE kamerasi bilan olingan.

Kirish va maqsad aniqliklari

Har ikki holatda HR/LR chekka nisbati ×8. O‘qitish vaqtida cropping, rotation va flipping ma’lumotlarni ko‘paytirish usullari qo‘llanilgan.

Manba umumiy o‘qitish, validatsiya va test namunalari sonini, optimizerni, learning rateni, batch sizeni, epoch sonini va o‘qitish apparatini keltirmaydi. Shu sababli modelning to‘liq o‘qitish jarayonini faqat e’lon qilingan PDF asosida aynan qayta tiklab bo‘lmaydi.

Ablatsiya tadqiqoti

Manba real dunyo ma’lumotlarida to‘rtta arxitektura komponentini alohida o‘zgartirib, to‘liq model bilan taqqoslaydi.

Eng katta yomonlashuvlardan biri SAS block olib tashlangan Variant B va fusion module olib tashlangan Variant C da kuzatiladi. Variant A mustaqil encoder dizaynining kichik, ammo izchil foydasini ko‘rsatadi. Manba shuningdek mustaqil encoderlar parametrlar sonini oshirishini va real vaqt tizimlari uchun yengilroq dizaynlarga ehtiyoj bo‘lishi mumkinligini ta’kidlaydi.

Variant D ning to‘liq modelga yaqin, ammo biroz zaif bo‘lishi Charbonnier yo‘qotishi tasvirni rekonstruksiya qilishda standart L1 ga nisbatan kichik hissa qo‘shishini ko‘rsatadi.

PSNR, SSIM va LPIPS Natijalarini Birgalikda Qanday O‘qish Kerak?

PSNR piksel darajasidagi rekonstruksiya xatosiga, SSIM struktura va tekstura o‘xshashligiga, LPIPS esa o‘rganilgan perceptual featurelar orqali idrokiy o‘xshashlikka e’tibor qaratgani uchun bu metrikalar bir xil tasvir sifatining turli jihatlarini o‘lchaydi va ularning hech biri yakka holda vizual sifatni to‘liq ifodalamaydi.

Sintetik tasvirlar

Taklif etilgan model barcha oltita sintetik sahnada eng yuqori PSNRni bergan. O‘rtacha PSNR ERVSRga nisbatan 4,45 dB va LFhybridSRga nisbatan 8,39 dB yuqori.

Scene 3 barcha usullar uchun eng qiyin sintetik misollardan biridir. Ushbu sahnada yozuvli bir nechta qizil blok bor va barcha usullarning PSNR/SSIM qiymatlari boshqa sahnalarga qaraganda pasayadi. Taklif etilgan usulning PSNRi bu yerda 39,68 dB.

Scene 3 vizual taqqoslash

Manbaning Figure 6 dagi yon ko‘rinishi uchun taklif etilgan usulning RGB natijasi PSNR 35,59, SSIM 0,911 va LPIPS 0,1502. ERVSR 35,02 / 0,905 / 0,1652; LFhybridSR esa 30,50 / 0,858 / 0,2564 natijalarini bergan.

Katta va ochiq yozuvli hududlarda Bicubicdan boshqa usullar o‘qiladigan tuzilmani yaxshiroq saqlaydi, biroq qorong‘i hududlardagi kichik matn ko‘pchilik usullarda tanib bo‘lmaydigan holga keladi. Manba faqat taklif etilgan usulda kichik matnning ayrim qirralari kuchsiz ko‘rinib qolganini aytadi.

Haqiqiy dunyo tasvirlari

Taklif etilgan usul barcha oltita haqiqiy sahnada eng yuqori PSNR va SSIM qiymatlarini bergan. O‘rtacha PSNR farqi LFhybridSRga nisbatan 1,18 dB, Bicubicga nisbatan 1,27 dB va ERVSRga nisbatan 5,19 dB.

Shunga qaramay, metrikalardagi tartib bilan vizual idrok har doim bir xil emas. Manba ERVSR ba’zi tasvirlarda Bicubicga qaraganda yaxshiroq detal bersa-da, PSNR jadvalida pastroq qiymatlarga ega ekanini ochiq muhokama qiladi.

Shuning uchun “PSNR yuqoriroq → tasvirning barcha jihatlari albatta yaxshiroq” degan bir o‘lchovli talqin ushbu tadqiqotning o‘z vizual tahlillari bilan ham qo‘llab-quvvatlanmaydi.

Markaziy ko‘rinish va yon ko‘rinish o‘rtasidagi farq

Manba Figure 7 da markaziy ko‘rinishlarda LFhybridSR va taklif etilgan usul ayniqsa yozuv va metall sirt teksturalarida eng aniq natijalarni berganini bildiradi. Buni kutish mumkin, chunki markaziy ko‘rinish HR referens bilan eng kuchli bevosita aloqaga ega.

Figure 8 da yon ko‘rinishlar qiyinroq. Ko‘rish burchagi o‘zgargan sari markaziy referens bilan yon ko‘rinish o‘rtasidagi geometriya farqlanadi va spekulyar akslanish o‘zgaradi.

Scene 5 ning kichik matn hududida manba hech bir usul aniq va oson taniladigan matn hosil qilmaganini aytadi. LFhybridSR ayrim metall obyekt qirralarida jagged ko‘rinish hosil qilsa, ERVSR yon ko‘rinishda Bicubicga qaraganda yaxshiroq vizual natija berishi mumkin. Taklif etilgan usul esa markaziy va yon ko‘rinishlar birgalikda baholanganda muvozanatliroq natija ko‘rsatadi.

Super-Resolution Chuqurlikni Baholashni Qanchalik Yaxshiladi?

Haqiqiy tasvirlarda MiDaS-small dan oldin SR oldindan ishlovidan foydalanish manba tajribasida Abs Rel qiymatini 0,5349 dan 0,1024 gacha kamaytirgan va uchta \(\delta\) aniqlik o‘lchovini sezilarli oshirgan; biroq bu natija faqat foydalanilgan ma’lumot va MiDaS konfiguratsiyasi uchun downstream vazifa ko‘rsatkichidir.

Manba izohiga ko‘ra SR tasvirlarda baholangan piksellarning taxminan %90, %94 va %95 qismi mos ravishda 1,25; 1,56 va 1,95 nisbiy xato chegaralari ichida qoladi.

Bu natija SR bilan qayta tiklangan qirra va tekstura ma’lumoti monocular depth modeliga qulayroq kirish bera olishini qo‘llab-quvvatlaydi.

Biroq tadqiqot haqiqiy yuqori aniqlikdagi o‘lchash qurilmasi, profilometr yoki koordinata o‘lchash tizimini SRdan oldin va keyin solishtirmagan. Shu sababli natijani “SR sanoat o‘lchov xatosini 0,5 dan 0,1 gacha tushirdi” deb umumlashtirish mumkin emas. O‘lchangan qiymat MiDaS chuqurlikni baholashdagi Abs Rel xatosidir.

Tadqiqot qo‘llab-quvvatlaydigan xulosalar

Manba tajribalari gibrid HR/LR 3 × 3 ko‘p ko‘rinishli kirish tartibida STF asosidagi yuqori chastotali texture transfer va SR2I asosidagi spatial–angular feature fusionni birgalikda ishlatish tekshirilgan metall tasvir ma’lumotlar to‘plamida Bicubic, LFhybridSR va ERVSRga nisbatan yuqoriroq PSNR/SSIM natijalarini berganini qo‘llab-quvvatlaydi.

Ablatsiya tadqiqoti alohida encoderlar, SAS block, ikki tarmoq o‘rtasidagi fusion tuzilmasi va Charbonnier yo‘qotishi to‘liq model natijalariga hissa qo‘shishini ko‘rsatadi.

Sintetik ma’lumotlarda ayniqsa katta PSNR yutug‘i model nazoratli tarzda yaratilgan yuqori sifatli referens teksturadan samarali foydalana olishini ko‘rsatadi.

Haqiqiy ma’lumotlarda pastroq, ammo ijobiy PSNR ustunligi usul samaradorligi sintetik muhit bilangina cheklanmasligini ko‘rsatadi.

MiDaS tajribasi SR ma’lum bir downstream monocular depth estimation vazifasida kirish tasviri sifatida foydali bo‘lishi mumkinligini ko‘rsatadi.

Tadqiqot qo‘llab-quvvatlamaydigan xulosalar

Tadqiqot usul barcha metall sirtlarda, barcha kamera geometriyalarida yoki barcha sanoat korxonalarida bir xil samaradorlik berishini ko‘rsatmaydi. Tajriba tartibi qat’iy 3 × 3 ko‘rinish tuzilmasiga asoslangan.

Model faqat LR tasvirlarda ishlaydigan umumiy MVISR tizimi sifatida sinovdan o‘tkazilmagan. Asosiy tajribada bitta HR markaziy referens mavjud.

Tadqiqot real vaqt ishlab chiqarish liniyasida throughput, latency, GPU ishlatilishi yoki maksimal qayta ishlash tezligi benchmarkini bermaydi.

Manba o‘qitishning optimizer, learning rate, batch size, epoch va apparat detallarini bildirmagani uchun to‘liq o‘qitishning qayta ishlab chiqarilishi cheklangan.

PSNR/SSIM natijalari uchun takrorlar, xato ustunlari, ishonch intervallari yoki statistik ahamiyat testlari keltirilmagan. Shu sababli jadval farqlari kuzatilgan tajriba natijalaridir; statistik ustunlik testi sifatida talqin qilinmasligi kerak.

MiDaS natijasi yuqori aniqlikdagi sanoat metrologiyasi tasdig‘i emas. U faqat monocular depth estimation samaradorligini o‘lchaydi.

Manba, shuningdek, o‘z usulini zamonaviy state-of-the-art reference-based SR usullari bilan to‘g‘ridan-to‘g‘ri keng qamrovli eksperimental benchmarkda taqqoslamaganini cheklov sifatida qayd etadi.

Kelajakdagi tadqiqot yo‘nalishlari

Mualliflar birinchi navbatda o‘zgaruvchan angular resolution konfiguratsiyalarini qo‘llab-quvvatlaydigan arxitekturaga o‘tishni taklif qiladi. Bu usulning siyrakroq yoki zichroq kamera massivlarida qay darajada ishlashini sinash imkonini berishi mumkin.

Ikkinchi yo‘nalish yuqori qaytaruvchan metall hududlarda texture transferni fizik jihatdan yaxshiroq cheklash uchun differentiable rendering yoki fizikaga asoslangan cheklovlarni qo‘shishdir.

Uchinchi yo‘nalish turli xil sanoat metall obyektlari va ko‘rinish konfiguratsiyalarini o‘z ichiga oladigan maxsus ko‘p ko‘rinishli ma’lumotlar to‘plamini yaratishdir.

Nihoyat, mualliflar SR rekonstruksiyasini chuqurlikni baholash yoki precision measurement kabi keyingi vazifalar bilan yanada zichroq birlashtirishni kelajakdagi tadqiqot yo‘nalishi sifatida ko‘rsatadi.

Manba va Usul Haqida Izoh

Asl tadqiqot: Multi-View Industrial Image Super-Resolution via Hierarchical Multi-Scale Data Fusion

Mualliflar: Wenqin Zhao; Carman Ka Man Lee; Da Li; Benny Chi Fai Cheung.

Mas’ul muallif: Carman Ka Man Lee.

Muassasa: State Key Laboratory of Ultra-Precision Machining Technology va Department of Industrial and System Engineering, Hong Kong Polytechnic University, Hong Kong, Xitoy.

Jurnal: AI.

Nashriyot: MDPI.

Manba turi: Taqrizdan o‘tgan asl tadqiqot maqolasi; chuqur o‘rganishga asoslangan sanoat tasviri super-resolution tadqiqoti.

Nashr ma’lumoti: AI 2026, jild 7, son 5, maqola 172.

DOI: 10.3390/ai7050172

Yuborilgan: 13 Mart 2026.

Qayta ko‘rib chiqish: 25 Aprel 2026.

Qabul: 14 May 2026.

Nashr: 16 May 2026.

Taqriz / versiya: Taqrizdan o‘tgan jurnal maqolasi; PolyU institutsional arxivida Version of Record sifatida qayd etilgan.

Litsenziya: Creative Commons Attribution (CC BY), ochiq kirish.

Ma’lumotlar to‘plami: Sim-to-Real Dataset of Industrial Metal Objects. Manba ma’lumotlar to‘plami ochiq ekanini va Machines 2024, 12, 99 tadqiqoti orqali e’lon qilinganini bildiradi.

Haqiqiy tasvir kamerasi: Intel RealSense L515 RGB.

Sintetik ma’lumot uchun asosiy haqiqiy tasvir kamerasi: JAI GO-5000-PGE.

Sintetik ishlab chiqarish muhiti: Unity; HDRI environment map va texture synthesis ishlatilgani manbada ko‘rsatilgan.

Downstream model: MiDaS-small monocular depth estimation modeli.

Taqqoslash usullari: Bicubic, LFhybridSR va ERVSR.

Moliyalashtirish: Research Impact Fund, Grant No. R5047–22.

Minndorchilik: Research Grants Council of the Hong Kong Special Administrative Region, Department of Industrial and Systems Engineering va State Key Laboratory of Ultra-Precision Machining Technology, The Hong Kong Polytechnic University.

Institutsional etika kengashi: Qo‘llanilmaydi.

Axborotli rozilik: Qo‘llanilmaydi.

Ma’lumotlarning mavjudligi: Manba ma’lumotlar ochiq ekanini va DOI 10.3390/machines12020099 manzilidagi ma’lumotlar tadqiqotiga ishora qiladi.

Manfaatlar to‘qnashuvi: Mualliflar manfaatlar to‘qnashuvi yo‘qligini bildirgan.

Muallif hissalari: Konseptualizatsiya Wenqin Zhao, Da Li va Carman Ka Man Lee; metodologiya va dasturiy ta’minot Wenqin Zhao; validatsiya Wenqin Zhao; formal tahlil va tadqiqot Wenqin Zhao hamda Da Li; resurslar Wenqin Zhao, Carman Ka Man Lee va Benny Chi Fai Cheung; ma’lumotlar kuratsiyasi Wenqin Zhao; dastlabki qoralama Wenqin Zhao; ko‘rib chiqish va tahrirlash Carman Ka Man Lee; vizualizatsiya Wenqin Zhao; nazorat Carman Ka Man Lee; loyiha boshqaruvi va moliyalashtirishni olish Benny Chi Fai Cheung tomonidan bajarilgan.

Qayta ishlab chiqarish mumkinligi haqida izoh: PDF optimizer, learning rate, batch size, training epoch soni, training hardware hamda aniq o‘qitish/validatsiya/test namunalar sonini bildirmaydi. Manbada bo‘lmagan ushbu parametrlar Verianla tomonidan to‘ldirilmagan.

Asosiy metodologik cheklovlar: Gibrid HR/LR acquisition tartibi farazi; qat’iy 3 × 3 angular resolution; siyrakroq yoki zichroq view arraylarning sinovdan o‘tkazilmagani; aniq reflectance yoki fizikaga asoslangan cheklovlarning yo‘qligi; state-of-the-art reference-based SR usullari bilan bevosita keng taqqoslash qilinmagani; real vaqt deployment o‘lchovlari bildirilmagani.

Verianla usul izohi: Ushbu kontent manba maqolaning satrma-satr tarjimasi emas. Manbadagi tadqiqot muammosi, ko‘p ko‘rinishli gibrid tasvirlash tartibi, STF va SR2I arxitekturasi, attention asosidagi patch moslashtirish, Tenglama (1)–(4), ma’lumotlar to‘plami va kamera tartibi, ablatsiyalar, PSNR/SSIM/LPIPS natijalari, vizual baholashlar, MiDaS chuqurlik baholashi va cheklovlar saqlanib, mustaqil o‘zbekcha ilmiy o‘quv tuzilmasi yaratildi. Manbada yo‘q tajriba, samaradorlik, o‘qitish parametri yoki statistika qo‘shilmadi.