تکنولوژی تولید تصویر با سرعت در حال پیشرفت است، اما یکی از چالشهای اصلی، «ارزیابی کیفیت» این تصاویر به صورت سریع و کارآمد است. روشهای فعلی یا بسیار سنگین و پرهزینه هستند و یا دقت پایینی دارند.
محققان در مقالهای تازه، روشی به نام Patch Knowledge Transfer (PKT) معرفی کردهاند که با استفاده از «تقطیر دانش» (Knowledge Distillation)، پلی بین دقت بالا و سرعت اجرا برقرار میکند. در این معماری، مدل دانشآموز یاد میگیرد که بدون فدا کردن دقت، با بهرهوری محاسباتی ۶۷.۷٪ بیشتر از مدلهای پیچیده، کیفیت تصاویر را ارزیابی کند.
این نوآوری گامی بزرگ برای بهبود زیرساختهای پردازش تصویر در دنیای هوش مصنوعی است. 🤖✨
منبع: arXiv Computer Vision