تتناول الطريقة الحالية المدمجة للفضاء والزمن القائمة على التعلم العميق مشكلة موازنة أخطاء البكسل داخل المنطاق المحلية أثناء عمليات الالتفاف، مما يؤدي إلى ضعف تفاصيل نسيج الصورة المندمجة وتشويش حواف المناطق. تقدم هذه الورقة نموذج دمج فضاء-زمن يجمع بين الشبكات التوليدية المتنافسة (GAN) وتحويل الموجة القصية غير النازلة لأخذ العينات (NSST). أولاً، يتم إدخال فرع الالتفاف المتضخم ووحدة الفرق-الانتباه (SUB-AM) في هيكل مشفر المولد، بحيث يتم موازنة استخراج الميزات الدقيقة مع الخصائص العالمية، ويتم تعديل الميزات الدقيقة المستخرجة باستخدام التغيرات التقريبية التي تلتقطها وحدة SUB-AM، لتحسين دقة التنبؤ. ثانياً، من خلال تكسير NSST وكتلة إعادة البناء التكيفية (NSST-ARM)، يتم إعادة بناء المعلومات الترددية العالية والمنخفضة لنتائج المولد بنظام الترميز-فك الترميز والصورة الدقيقة المرجعية في اللحظة، لتعزيز التفاصيل عالية التردد للصورة المدمجة؛ وأخيراً، تم إدخال مصطلح خسارة الوضوح في دالة الخسارة لتقليل فقدان الوضوح للصورة المدمجة. أظهرت النتائج التجريبية أن الطريقة المقدمة حسنت متوسط قيمة التشابه الهيكلي (SSIM) بنسبة 1.5% وانخفض متوسط الخطأ العالمي النسبي (ERGAS) بنسبة 14% مقارنة بأحدث الطرق، مع تحسين في التعبير عن تفاصيل النسيج ووضوح هيكل الحواف للصور المدمجة. تثبت التجارب فعالية الطريقة المقدمة.

الدمج الزماني-المكاني;الشبكات التوليدية المتنافسة;الالتفاف المتضخم;تحويل الموجة القصية غير النازلة