منصوبے کے بارے میں

DeCoMix-HDR ایک گہری سیکھنے کے طریقہ کار کا سرکاری نفاذ ہے جو عام SDR-to-HDR تبدیلی کے لیے ہے۔ یہ SDR ان پٹس کو سنبھالنے کے لیے ڈیزائن کیا گیا ہے جو مختلف ٹون میپنگ اور انحطاطی اسلوب سے تیار کیے گئے ہیں، جن میں مختلف ٹون کریو، ایکسپوژر شفٹ، ہائی لائٹ کمپریشن، سیچوریشن تبدیلیاں، اور رنگین کاسٹ شامل ہیں۔ یہ طریقہ luminance- اور chrominance-aware متضاد نگرانی کا استعمال کرتے ہوئے ایک مشترکہ attribute-disentangled انحطاطی نمائندگی سیکھتا ہے۔ ایک UNet-based انکوڈر عالمی اور مقامی انحطاطی وضاحت کنندہ تیار کرتا ہے۔ امیدوار منفی کو اسی HDR منظر کے SDR ورژن سے جمع کیا جاتا ہے جو مختلف انحطاطی اسلوب کے ساتھ تیار کیے گئے ہیں، پھر log-luminance فاصلے اور Yxy chromaticity فاصلے کا استعمال کرتے ہوئے درجہ بند کیا جاتا ہے۔ درجہ بند نمائندگی کی ملاوٹ مسلسل سخت منفی پیدا کرنے کے لیے منتخب منفی کو مثبت کلیدوں کی طرف انٹرپولیٹ کرتی ہے۔ Degradation-Adaptive HDR Mapping نیٹ ورک HDR آؤٹ پٹ کی تعمیر نو کے لیے گھنے عالمی چینل ماڈیولیشن اور ویرل مقامی پکسل وار ماڈیولیشن کا استعمال کرتا ہے۔ منفی نمونے اور momentum انکوڈر صرف تربیت کے دوران استعمال ہوتے ہیں؛ انفرنس کے لیے ایک SDR تصویر اور ایک تربیت یافتہ چیک پوائنٹ کی ضرورت ہوتی ہے۔ ریپوزٹری BasicSR طرز کی ساخت کی پیروی کرتی ہے اور اس میں تربیت اور تشخیص کے انٹری پوائنٹس، YAML کنفیگریشن فائلیں، ماڈل آرکیٹیکچرز، متضاد ڈیٹا سیٹ لوڈرز، نقصان اور میٹرک یوٹیلیٹیز، تقسیم شدہ لانچ اسکرپٹس، اور ڈیٹا سیٹ کی تیاری کے معاون شامل ہیں۔ ایک پیپر ٹو کوڈ میپنگ ٹریننگ ریپر، DAHM آرکیٹیکچر، متضاد انکوڈر، درجہ بند منفی ڈیٹا سیٹ، پوشیدہ ملاوٹ کا معمول، مرحلہ وار تربیتی منطق، اور چیک پوائنٹ کلیدوں کی نشاندہی کرتی ہے۔ دستاویزی سافٹ ویئر ماحول Python 3.8 یا اس سے نئے، CUDA کے ساتھ PyTorch، torchvision، kornia، lmdb، اور OpenCV کا استعمال کرتا ہے۔ اہم تجربات تربیت اور معروف انحطاط کی تشخیص کے لیے HDRTV4K یا HDRTVDM، اور نامعلوم انحطاط کی تشخیص کے لیے HDRTV1K کا استعمال کرتے ہیں۔ ڈیٹا سیٹس سے LMDB فارمیٹ میں نام میٹا ڈیٹا اور درجہ بند luma اور chroma منفی فہرست فائلوں کے ساتھ ہونے کی توقع کی جاتی ہے۔ ایک معاون اسکرپٹ ڈیٹا سیٹ سم لنکس اور مقامی کنفیگریشن فائلیں بنا سکتا ہے اور مطلوبہ ڈیٹا کی تصدیق کر سکتا ہے۔ README سنگل-GPU اور تقسیم شدہ تربیتی کمانڈز، ایک ڈیفالٹ 400,000-iteration شیڈیول، چیک پوائنٹ پاتھز، اور مکمل توثیق کے کمانڈز فراہم کرتا ہے۔ تشخیصی آؤٹ پٹس میں PSNR، SSIM، اور Delta E ITP پیمائشیں شامل ہیں۔ نتائج کی جدول HDR-VDP3 کی بھی رپورٹ کرتی ہے۔ نمائندہ رپورٹ کردہ نتائج HDRTV4K معروف انحطاط پر 31.20 PSNR اور 0.9213 SSIM، اور HDRTV1K نامعلوم انحطاط پر 29.12 PSNR اور 0.9412 SSIM ہیں، README نوٹ کرتا ہے کہ صحیح اقدار ڈیٹا سیٹ کی تیاری، چیک پوائنٹ، اور تشخیصی ماحول پر منحصر ہیں۔ ماڈل رجسٹریوں اور چیک پوائنٹس کے ساتھ مطابقت کے لیے کچھ تاریخی RealRep کلاس اور فائل کے نام باقی ہیں۔ عوامی پیکیج میں ابلیشن کنفیگریشنز، تربیتی لاگز، پیپر کے ذرائع، اعداد و شمار، PDFs، مقامی ڈیٹا سیٹس، اور تجرباتی آؤٹ پٹس شامل نہیں ہیں۔