Real-World Scene Recovery for Scattering-Degraded Images Using Spatial and Frequency Priors

ملخص تقني: استعادة المشاهد الواقعية للصور المتدهورة بسبب التشتت باستخدام الأولويات المكانية والترددية

بيان المشكلة
لا تزال عملية استعادة المشاهد من الصور المتدهورة بفعل تأثيرات التشتت — مثل الضباب، والعواصف الرملية، والظروف تحت المائية، وبيئات الاستشعار عن بُعد — تشكل تحديًا جوهريًا في الرؤية الحاسوبية. تؤدي هذه التدهورات إلى إدخال مكونات غشائية مضافة وتقليل الإرسال المباشر، مما يؤدي إلى انخفاض التباين، وتشويه الألوان، وفقدان التفاصيل الهيكلية. وهذا يضعف بشكل كبير الإدراك البصري وأداء المهام اللاحقة مثل كشف الأجسام وتقسيم الصور. تندرج الحلول الحالية عمومًا ضمن فئتين: الطرق القائمة على الأولويات (Prior-based) والطرق القائمة على التعلم (Learning-based). تعتمد النهج القائمة على الأولويات غالبًا على أولوية واحدة مصممة لسيناريوهات محددة (مثل ضباب النهار)، مما يجعلها عاجزة عن التعميم عبر مختلف حالات التشتت غير المتجانسة. وفي المقابل، فإن الطرق القائمة على التعلم، رغم قوتها، تتطلب عادةً بيانات تدريب اصطناعية واسعة النطاق، وتعاني من فجوات النطاق (Domain Gaps) عند تطبيقها على السيناريوهات الواقعية، وتتطلب موارد حوسبة كبيرة.

المنهجية: الأولويات المكانية والترددية (SFP)
يقترح المؤلفون إطار عمل مبتكرًا باسم الأولويات المكانية والترددية (SFP)، مصمم لاستعادة المشاهد من الصور المتدهورة بسبب التشتت في العالم الحقيقي دون الاعتماد على بيانات تدريب واسعة النطاق. يعمل إطار العمل عبر ثلاث مراحل رئيسية:

1. الأولوية في المجال المكاني (SDP):

   • الملاحظة: لاحظ المؤلفون أن مقلوب الصورة المتدهورة بسبب التشتت ($1 - I(x)$) يكشف عن إسقاط على طول اتجاهها الطيفي والذي يرتبط بإرسال المشهد الأساسي.
   • الآلية: يتم نمذجة الاتجاه الطيفي $S(x)$ كمتجهات التدرج للقنوات اللونية الثلاث. تقوم الطريقة بإسقاط الصورة المتدهرة المقلوبة على هذا الاتجاه الطيفي لتقدير خريطة إرسال المشهد $t(x)$.
   • الاستعادة: بمجرد تقدير $t(x)$ والضوء الجوي العالمي $A$، يتم استعادة إشعاع المشهد $J(x)$ عن طريق عكس نموذج التشتت الجوي (ASM).

2. الأولويات في المجال الترددي (FDP):

   • الملاحظة 1 (مكونات التيار المستمر - DC): في الصور الواضحة، يقترب متوسط شدة مكونات التيار المستمر (DC) عبر القنوات من متوسط قيمة التيار المستمر للصورة المتدهرة المقابلة.
   • الملاحظة 2 (الترددات الشعاعية المنخفضة): في الصور الواضحة، تساهم الترددات الشعاعية المنخفضة (ضمن نطاق ضيق، $\rho(x) < 0.001$) بنسبة صغيرة فقط (حوالي 1%) من الطيف الإجمالي. وتشير النسب الأعلى إلى تدهور شديد.
   • الآلية: بناءً على هذه الملاحظات، يتم إنشاء قناع تكيفي $M_C(x)$ لإجراء تعزيز في مجال التردد. يتم تحديد معلمات القناع بشكل تكيفي لمحاذاة مكونات التيار المستمر واستعادة نسبة التردد المنخفض إلى خط الأساس المتوقع البالغ 1%، مما يعوض بفعالية التوهين الناتج عن التشتت.

3. استراتيجية الدمج الموزون:

   • يتم الحصول على الصورة المستعادة النهائية عن طريق دمج الصورة المستعادة في المجال المكاني، والصورة المعززة في مجال التردد، والمدخل الأصلي.
   • يتم الدمج في فضاء الألوان Lab. بالنسبة لقنوات $a$ و $b$، يتم تعيين أوزان بناءً على الحياد اللوني (القيم المتوسطة القريبة من الصفر). أما بالنسبة لقناة $L$ (السطوع)، فيُستخدم تحويل الموجات المتقطعة (DWT)، حيث يتم الاحتفاظ بالمكونات منخفضة التردد من النتيجة المكانية ودمج المكونات عالية التردد باستخدام استراتيجية القيمة القصوى.
   • يتم تطبيق معالجة لاحقة (تصحيح غاما وضغط HDR) لتحسين الاتساق البصري.

المساهمات الرئيسية

• إطار عمل مبتكر: تقديم SFP، الذي يستغل بشكل مشترك الأولويات المتكاملة في كل من المجالين المكاني والتردي، متجاوزًا بذلك قيود النهج ذات المجال الواحد أو الأولوية الواحدة.
• أولويات جديدة:
  • أولوية مكانية تستفيد من الخصائص الطيفية لإسقاط الصورة المتدهرة المقلوبة على الاتجاه الطفي، مما يقرب من إرسال المشهد.
  • أولويتان تردديتان تستخدمان الخصائص الإحصائية لمكونات التيار المستمر والترددات الشعاعية المنخفضة لبناء قناع تكيفي للتعزيز المدرك للتدهور.
• القدرة على التعميم: تحقق الطريقة أداءً فائقًا عبر سيناريوهات واقعية متنوعة (الضباب، العواصف الرملية، الظروف تحت المائية، والاستشعار عن بعد) دون الحاجة إلى مجموعات بيانات تدريب اصطناعية واسعة النط scales.
• القدرة على العمل كإضافة (Plug-and-Play): يمكن دمج الأولوية في مجال التردد مع الأولويات الموجودة في المجال المكاني لتحسين أدائها، مما يظهر مرونة عالية.

النتائج التجريبية
أُجريت تجارب مكثفة على مجموعات بيانات واقعية متنوعة، بما في ذلك FTD، DHQ، HSTS، وFattal (للضباب)؛ DID، DAWN (للعواصف الرملية)؛ UIEB، U45، UCCS، وUHTS (تحت الماء)؛ وUAV، RRSHID، وRRSD (الاستشعار عن بعد). بالإضافة إلى ذلك، تم اختبار الطريقة على مجموعات بيانات التدهور المختلط (RUSH) ومشاهد الضباب الليلي المعقدة (NHRW، RealNightHaze).

• الأداء الكمي: تفوقت SFP باستمرار على أكثر من 50 طريقة من أحدث الطرق (سواء القائمة على الأولويات أو القائمة على التعلم) عبر مقايال متعددة (NIMA، FADE، NIQE، UCIQE). على سبيل المثال، في مجموعات البيانات الضبابية الواقعية، حسنت متوسط درجات NIMA بنسبة 0.66% تقريبًا وقللت FADE بنسبة 17.64%. وفي مجموعات البيانات تحت المائية، حسنت درجات UCIQE بنسبة 6.70%.
• الجودة البصرية: أظهرت المقارنات البصرية أن SFP تزيل الضباب وانحياز الألوان بفعالية مع الحفاظ على التفاصيل الهيكلية الدقيقة والحفاظ على المظهر اللوني الطبيعي، متجنبة آثار الهالة (halo artifacts) أو الإفراط في التعزيز الشائع في الطرق الأخرى.
• المهام اللاحقة: حسن إطار العمل بشكل كبير الأداء في مهام الرؤية عالية المستوى. فعند استخدامه كخطوة معالجة مسبقة لكشف الأجسام (YOLOv8)، حققت SFP أعلى دقة متوسطة (average precision) عبر الفئات (شخص، دراجة هوائية، سيارة، دراجة نارية، حافلة) مقارنة بطرق إزالة الضباب الأخرى. كما حسنت النتائج في كشف النقاط الرئيسية (keypoint detection) وتقسيم الصور.

الأهمية والادعاءات
يزعم البحث أن SFP يعالج القيود الحرجة للطرق الحالية: نقص القدرة على التكيف في الأولويات ذات المجال الواحد، وضعف تعميم الطرق القائمة على البيانات على السيناريوهات الواقعية. من خلال نمذجة خصائص التدهور بشكل مشترك في كل من المجالين المكاني والترددي، توفر SFP حلاً قوياً وخالياً من المعلمات (parameter-free) لا يعتمد على موارد حوسبة ثقيلة أو بيانات اصطناعية. ويؤكد المؤلفون أن الطريقة فعالة بشكل خاص في سيناريوهات التدهور المعقدة والمزدوجة، مثل الضباب الليلي، وتعمل كخطوة معالجة مسبقة موثوقة لتعزيز موثوقية الأنظمة القائمة على الرؤية في التطبيقات الواقعية.