موسسه آموزش عالی آپادانا فصلنامه پژوهش های نوین در شهرهوشمند 2980-8936 4 1 2025 12 02 Enhancing Damaged Image Reconstruction Using Gated-GAN with Integrated Attention Mechanism: A Deep Learning Approach بهبود بازسازی تصاویر آسیب‌دیده با استفاده از Gated-GAN مبتنی بر مکانیسم توجه: یک رویکرد یادگیری عمیق 61 70 10.22051/jera.2021.31891.2698 FA نازنین گروه مهندسی ارتباطات، دانشگاه علوم کاربردی FH کرنتن، کرنتن، اتریش محمد حسین واحد تحقیق و توسعه شتابدهنده فینیکس، قشم، ایران 2025 11 13 Damaged image reconstruction is a critical challenge in image processing and computer vision, with broad applications in historical restoration, medical imaging, and industrial monitoring. This study proposes a framework based on the Gated-GAN architecture integrated with an attention mechanism to enhance the reconstruction quality of degraded images. A dataset containing artificially damaged images featuring cracks and color distortions was used for training. Quantitative evaluation using metrics such as PSNR and SSIM demonstrates that the integration of the attention mechanism improves visual clarity, enables focused reconstruction of damaged regions, reduces discriminator loss, and accelerates convergence. Qualitative results further highlight the model’s superiority in recovering fine details. This research offers a novel direction for developing intelligent, deep learning-based image reconstruction systems. بازسازی تصاویر آسیب‌دیده یکی از چالش‌های مهم در حوزه پردازش تصویر و بینایی ماشین محسوب می‌شود که کاربردهای گسترده‌ای در مرمت آثار تاریخی، تصویربرداری پزشکی و پایش صنعتی دارد. در این پژوهش، یک چارچوب مبتنی بر شبکه Gated-GAN به همراه مکانیسم توجه ارائه شده است تا کیفیت بازسازی تصاویر تخریب‌شده را بهبود بخشد. مجموعه‌داده‌ای شامل تصاویر با آسیب‌های مصنوعی نظیر ترک‌ها و اعوجاج رنگ تهیه و برای آموزش مدل استفاده شد. ارزیابی مدل با معیارهایی مانند PSNR و SSIM نشان داد که افزودن مکانیسم توجه باعث بهبود وضوح، تمرکز دقیق بر نواحی آسیب‌دیده، کاهش خطای تفکیک‌گر و تسریع هم‌گرایی می‌شود. نتایج کیفی نیز بر برتری مدل پیشنهادی در بازسازی جزئیات تأکید دارد. این پژوهش مسیر نوینی برای توسعه سیستم‌های هوشمند بازسازی تصویر مبتنی بر یادگیری عمیق ارائه می‌دهد. /downloadfilepdf/939496