⚡ electrical engineering

Physical prior guided cooperative learning framework for joint turbulence degradation estimation and infrared video restoration

تقترح هذه الورقة إطار عمل التعلم التعاوني الموجه بالأولويات الفيزيائية (P2GCL)، الذي يوظف تعاوناً حلقياً بين شبكة قياس الاضطراب وشبكة استعادة موجهة بالقيود الفيزيائية لتحقيق أداء متميز في آن واحد في تقدير قوة الاضطراب الجوي واستعادة تسلسلات الفيديو بالأشعة تحت الحمراء.

المؤلفون الأصليون: Ziran Zhang, Yuhang Tang, Zhigang Wang, Yueting Chen, Bin Zhao

نُشر 2026-07-31

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Ziran Zhang, Yuhang Tang, Zhigang Wang, Yueting Chen, Bin Zhao

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول التقاط صورة واضحة لجبل بعيد، لكن الهواء بينك وبين القمة يتلألأ مثل طريق ساخن في يوم صيفي. هذا التلألؤ يسمى "الاضطراب الجوي". يحدث هذا بسبب اختلاط جيوب هوائية ذات درجات حرارة مختلفة، مما يؤدي إلى ثني الضوء بطرق فوضوية. بالنسبة للكاميرات التي تعمل بالأشعة تحت الحمراء -والتي ترى الحرارة بدلاً من الضوء المرئي- يكون هذا التأثير كأنك تنظر من خلال نافذة متموجة ومشوهة. هذا يجعل الأجسام الساخنة تبدو ضبابية، متذبذبة، ويصعب قياسها. يحتاج العلماء والمهندسون إلى صور حادة وقياسات دقيقة لمدى قوة هذا الاضطراب للقيام بكل شيء، بدءاً من تتبع أنماط الطقس وصولاً إلى مراقبة المعدات الصناعية. لقد كان التحدي الكبير دائماً هو "مفارقة" (catch-22): لإصلاح الصورة الضبابية، تحتاج إلى معرفة مدى قوة الاضطراب بالضبط؛ ولكن لقياس الاضطراب بدقة، تحتاج إلى صورة واضحة للبدء بها. إنها مشكلة "البيضة والدجاجة" الكلاسيكية حيث يعلق كلا الجانبين في الوحل.

تقدم هذه الورقة البحثية فريق عمل ذكي جديد يسمى إطار "التعلم التعاوني الموجه بالأولوية الفيزيائية" (P2GCL) لحل هذا المأزق. فكر في الأمر كأن هناك محققين يعملان على نفس القضية، لكنهما يتبادلان الأدوار لمساعدة بعضهما البعض على أن يصبحا أكثر ذكاءً. المحقق الأول، المسمى TMNet، خبير في قياس "قوة الاضطراب" (تحديداً قيمة تسمى ثابت بنية معامل الانكسار، أو $C_n^2$ ). أما المحقق الآخر، TRNet، فهو بارع في تنظيف فيديوهات الأشعة تحت الحمراء الضبابية.

إليك كيف تتم "المصافحة السرية" بينهما: أولاً، يأخذ TMNet فيديو ضبابياً ويخمن قوة الاضطراب ( $C_n^2$ ). ثم يسلم هذا الرقم إلى TRNet كأنه دليل سري. يستخدم TRNet هذا الدليل لإصلاح الفيديو، مما يجعل الصورة أكثر وضوحاً. ولكن بدلاً من التوقف عند هذا الحد، يقوم TRNet بتغذية TMNet بهذه الصورة المستعادة والأكثر وضوحاً. ولأن الصورة أصبحت الآن أقل تشوهاً، يمكن لـ TMNet إعادة قياس قوة الاضطراب بدقة أعلى بكثير. يستمرون في تكرار هذه الدورة، ويقومون بتنقيح عمل بعضهم البعض باستمرار.

وللتأكد من أنهم لا يخمنون بشكل عشوائي، أعطى الباحثون لهم كتاب قواعد صارم يعتمد على الفيزياء الواقعية. فقد أنشأوا "دوال خسارة" خاصة (وهي تشبه بطاقات تسجيل النقاط للكمبيوتر) تتحقق مما إذا كانت النتائج تتوافق مع قوانين الطبيعة. إحدى بطاقات التسجيل، وهي خسارة التردد الموجهة بـ $C_n^2$ ، تضمن أن الفيديو المستعاد يبدو صحيحاً من حيث أنماط الموجات الخاصة به، بينما تحافظ بطاقة أخرى، وهي خسارة القيود الفيزيائية، على العملية برمتها راسخة في الواقع العلمي.

نتائج هذا الرقص التعاوني واعدة للغاية. في اختباراتهم، تفوق هذا الفريق المكون من نموذجين على الأساليب السابقة. بالنسبة لقياس قوة الاضطراب، فقد حسنوا الدقة (المقاسة بمتوسط الخطأ المطلق) بمقدار 0.0156، وعززوا درجة الارتباط ( $R^2$ ) بمقدار 0.1065. وبالنسبة لتنظيف الصور، أصبحت الفيديوهات المستعادة أكثر حدة، حيث زادت جودة الفيديو (PSNR) بمقدار 0.2775 ديسيبل. ومن خلال السماح للنموذجين بتعليم بعضهما البعض مع الالتزام بقواعد الفيزياء، تشير الورقة إلى أنه يمكننا الحصول على قياسات أفضل وصور أوضح من أي وقت مضى.

ملخص تقني: إطار التعلم التعاوني الموجه بالأولويات الفيزيائية لتقدير تدهور الاضطراب المشترك واستعادة الفيديو بالأشعة تحت الحمراء

بيان المشكلة
يؤدي الاضطراب الجوي بشكل كبير إلى تدهور جودة التصوير بالأشعة تحت الحمراء، مما يؤدي إلى تسلسلات فيديو مشوشة ومشوهة. ويفرض هذا التدهور تحديًا حرجًا للتطبيقات التي تتطلب بيانات عالية الدقة بالأشعة تحت الحمراء. علاوة على ذلك، فإن القياس الدقيق لقوة الاضطراب، وتحديدًا ثابت بنية معامل الانكسار ( $C_n^2$ )، أمر ضروري لفهم هذه التشوهات ولكنه يظل صعبًا بسبب الطبيعة المعقدة وغير الخطية للتأثيرات الجوية. غالبًا ما تتعامل النهج الحالية مع تقدير الاضطراب واستعادة الصور كمهمتين منفصلتين، مما يؤدي إلى الفشل في الاستفادة من العلاقة الفيزيائية المتأصلة بينهما. هناك حاجة إلى إطار عمل موحد يمكنه في الوقت نفسه تعزيز تقدير قوة الاضطراب واستعادة جودة فيديو الأشعة تحت الحمراء من خلال استغلال تبعيتهما المتبادلة.

المنهجية
يقترح البحث إطار عمل التعلم التعاوني الموجه بالأولويات الفيزيائية (P2GCL)، والذي ينشئ تعاونًا حلقيًا بين نموذجين متخصصين من التعلم العميق لحل المشكلة المشتركة المتمثلة في تقدير الاضطراب واستعادة الصور.

1. بنية النموذج المزدوج:

شبكة قياس الاضطراب (TMNet): هذه الشبكة مسؤولة عن قياس قوة الاضطراب. تأخذ تسلسلات صور الأشعة تحت الحمراء المتدهورة كمدخلات وتخرج ثابت بنية معامل الانكسار ( $C_n^2$ ). يعمل المخرج $C_n^2$ كأولوية فيزيائية.
شبكة استعادة الاضطراب (TRNet): تستخدم هذه الشبكة قيمة $C_n^2$ المقدمة من TMNet كقيد فيزيائي لتوجيه عملية استعادة تسلسل صورة الأشعة تحت الحمراء.

2. آلية التعلم التعاوني:
يعمل إطار العمل على حلقة تغذية راجعة حلقية. توفر TMNet الأولوية الفيزيائية $C_n^2$ إلى TRNet للمساعدة في الاستعادة. وفي المقابل، تخرج TRNet صورًا مستعادة، والتي يتم تغذيتها مرة أخرى في TMNet. تم تصميم آلية التغذية الراجعة هذه لتعزيز دقة القياس في TMNet، مما يخلق تأثيرًا تآزريًا حيث تؤدي الاستعادة الأفضل إلى تقدير أفضل، والتقدير الأفضل يؤدي إلى استعادة أفضل.

3. دوال الخسارة والقيود الفيزيائية:
لضمان التزام النماذج بالقوانين الفيزيائية بدلاً من مجرد الأنماط الإحصائية، تتضمن عملية التدريب دوال خسارة محددة:

خسارة التردد الموجهة بـ $C_n^2$ : دالة خسارة مبتكرة تم تقديمها لمواءمة عملية الاستعادة مع الخصائص الترددية التي يمليها قوة الاضطراب ( $C_n^2$ ).
خسارة القيد الفيزيائي: تفرض دالة الخسارة هذه الاتساق مع النظريات الفيزيائية المتعلقة بتدهور الاضطراب، مما يضمن بقاء التمثيلات المتعلمة منطقية فيزيائيًا.

المساهمات الرئيسية

إطار عمل مشترك: تقديم P2GCL، وهو إطار عمل مبتكر يوحد تقدير قوة الاضطراب واستعادة صور الأشعة تحت الحمراء من خلال استراتيجية تعلم تعاوني حلقي.
تكامل الأولوية الفيزيائية: الاستخدام الفعال لثابت بنية معامل الانكسار ( $C_n^2$ ) ليس فقط كمقياس مخرج، بل كأولوية فيزيائية نشطة لتوجيه عملية استعادة الصورة.
حلقة التغذية الراجعة: تصميم آلية تغذية راجعة ثنائية الاتجاه حيث تعمل الصور المستعادة على تحسين تقدير الاضطراب، ويقوم تقدير معلمات الاضطراب بتحسين استعادة الصور.
التدريب القائم على الفيزياء: تطوير خسارة تردد موجهة بـ $C_n^2$ وخسارة قيد فيزيائي لربط نماذج التعلم العميق بالفيزياء الجوية.

النتائج التجريبية
أُجريت تجارب مكثفة للتحقق من أداء P2GCL مقابل الطرق الموجودة. تُظهر النتائج أن إطار العمل يحقق أداءً هو الأفضل في فئته (state-of-the-art) في كلتا المهمتين:

تقدير قوة الاضطراب: حسن إطار العمل متوسط الخطأ المطلق (MAE) لتقدير $C_n^2$ بمقدار 0.0156 وعزز معامل التحديد ( $R^2$ ) بمقدار 0.1065.
استعادة الصور: حسن إطار العمل نسبة ذروة الإشارة إلى الضجيج (PSNR) بمقدار 0.2775 ديسيبل.

الأهمية
يزعم البحث أن هذه النتائج تثبت التأثير الكبير للتعلم التعاوني الموجه بالأولويات الفيزيائية. من خلال دمج النظريات الفيزيائية مباشرة في حلقة التعلم، نجح إطار عمل P2GCL في سد الفجوة بين قياس الاضطراب الدقيق واستعادة الصور عالية الجودة. يشير العمل إلى أن معاملة هاتين المهمتين كمسألتين مترابطتين بدلاً من مسألتين معزولتين، وتأصيلهما في قيود فيزيائية، يؤدي إلى أداء متفوق لأنظمة التصوير بالأشعة تحت الحمراء التي تعمل تحت ظروف الاضطراب الجوي.

أبحاث مشابهة