CLIP-Guided Data Augmentation for Night-Time Image Dehazing
تقدم هذه الورقة إطاراً موحداً لتحدي إزالة الضباب في الصور الليلية NTIRE 2026، والذي يستفيد من تعزيز البيانات الموجه بـ CLIP لبناء مجموعات تدريب متوافقة مع النطاق، ويستخدم استراتيجية تدريب ثنائية المراحل لشبكة NAFNet، ويجمع بين تحسينات وقت الاستدلال لمعالجة أنماط التدهور المعقدة للضباب الليلي تحت إشراف محدود بشكل فعال.
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 جميلة لشارع في المدينة ليلاً، لكن ضباباً كثيفاً ومتوهجاً قد غزا المكان. أضواء الشوارع تبدو مبهرة، والظلال شديدة السواد، والمشهد بأكمله يبدو باهتاً وضبابياً. هذا هو جوهر مشكلة إزالة الضباب من الصور الليلية (Nighttime Image Dehaing).
الورقة البحثية التي شاركتَها هي بمثابة "وصفة" لبرنامج حاسوبي يقوم بتنظيف هذه الصور الفوضوية. لقد أدرك المؤلفون أن تعليم الكمبيوتر كيفية إصلاح هذه الصور الليلية المحددة أمر صعب للغاية لأن الأمثلة التي توضح الفرق بين "قبل وبعد" نادرة جداً.
إليك كيف حلوا المشكلة، مشروحة عبر تشبيهات بسيطة:
1. المشكلة: معضلة "الطالب الأجنبي"
عادةً، لتعليم الكمبيوتر كيفية تنظيف صورة ليلية ضبابية، تعرض عليه آلاف الأمثلة. لكن بالنسبة للضباب الليلي، فإن هذه الأمثلة نادرة.
- الفخ: فكر المؤلفون في استخدام صور لضباب "نهاري" للمساعدة في تعليم الكمبيوتر. لكن هذا يشبه محاولة تعليم طالب كيفية السباحة في المحيط من خلال عرض فيديوهات لأشخاص يسبحون في مسبح فقط. الماء مختلف، والتيارات مختلفة، وسيشعر الطالب بالارتباك. إذا خلطت الكثير من أمثلة "النهار" مع القليل من أمثلة "الليل"، فسوف يتوه الكمبيوتر ويتوقف عن تعلم قواعد الليل المحددة.
2. الحل: "أمين المكتبة الذكي" (CLIP)
بدلاً من إلقاء كل الصور الضبابية المتاحة في مزيج التدريب، قام الفريق ببناء أمين مكتبة ذكي باستخدام أداة تسمى CLIP.
- كيف يعمل: تخيل أن لديك مكتبة ضخمة من الصور الضبابية من جميع أنحاء العالم. أنت تقول لأمين المكتبة: "أريد فقط الكتب التي تشبه مشهد شارع ليلي ضبابي".
- الفلتر (المرشح): ينظر أمين المكتبة (CLIP) إلى كل صورة ويسأل: "هل تبدو هذه مثل مشهد الليل المستهدف؟". إذا كانت الصورة لنهار مشمس وضبابي، يقول أمين المكتبة: "لا، هذا مختلف تماماً"، ويعيدها إلى الرف. أما إذا كانت تحتوي على المزيج الصحيح من الظلام والضوء الاصطناعي، فيقول: "نعم، هذا يناسبنا!".
- النتيجة: انتهى بهم الأمر بـ "مجموعة تدريب" منتقاة بعناية مكونة من 59 صورة، وكلها متشابهة جداً مع المشكلة التي يحاولون حلها. هذا يمنع الكمبيوتر من الارتباك بسبب البيانات "الأجنبية".
3. التدريب: "الرقصة ذات الخطوتين"
بمجرد حصولهم على الصور الصحيحة، لم يكتفوا بصبها كلها في الكمبيوتر دفعة واحدة، بل استخدموا طريقة التدريب ذي المرحلتين.
- الخطوة 1: تعلم الأساسيات. أولاً، علموا الكمبيوتر فقط على الصور الليلية الحقيقية. فكر في هذا كتعليم موسيقي عزف مقطوعة معينة بإتقان قبل أن يحاول الارتجال. هنا يتعلم الكمبيوتر "روح" الضباب الليلي الخاصة به.
- الخطوة 2: توسيع الآفاق. بمجرد أن أتقن الكمبيوتر الصور الليلية، قدموا له الصور "الأجنبية" المفلترة (التي وافق عليها أمين المكتبة). الآن، يمكن للكمبيوتر أن يقول: "حسناً، أنا أعرف كيف يعمل الضباب الليلي، والآن أرى أن هذا الضباب النهاري يشبهه في بعض الجوانب". هذا يجعل الكمبيوتر أكثر ذكاءً وقوة دون أن ينسى الأساسيات.
4. اللمسة النهائية: "لجنة الحكام" (الاستنتاج)
عندما يصبح الكمبيوتر جاهزاً لتنظيف صورة جديدة، فإنه لا يكتفي بتقديم تخمين واحد فقط، بل يستخدم استراتيجية لجنة الحكام.
- خدعة المرآة (التجميع الذاتي): تخيل أنك تنظر إلى لوحة في مرآة، ثم تقلبها رأساً على عقب، ثم تعرضها بشكل جانبي. ينظر الكمبيوتر إلى الصورة بـ 8 طرق مختلفة (قلب، تدوير، إلخ) ويقدم تخميناً لكل منها. ثم يقوم بمتوسط هذه التخمينات الثمانية. هذا يلغي أي أخطاء غريبة قد يرتكبها الكمبيوتر في زاوية معينة.
- المسافر عبر الزمن (دمج اللقطات): تم حفظ الكمبيوتر في ثلاث مراحل زمنية مختلفة أثناء تدريبه (مثل التقاط صورة لطالب في الشهر الأول، والثالث، وعند التخرج). النتيجة النهائية هي مزيج موزون من هذه النسخ الثلاث. نسخة "التخرج" تحصل على الوزن الأكبر لأنها الأفضل، لكن النسخ السابقة تساعد في تنعيم أي حواف خشنة.
الخلاصة
لم يخترع المؤلفون "دماغاً" جديداً فائق التعقيد للكمبيوتر، بل بنوا مسار عمل ذكي (Pipeline):
- فلترة البيانات بحيث يتعلم الكمبيوتر فقط من الأمثلة ذات الصلة.
- تدريب في خطوات حتى يتعلم الأساسيات قبل الانتقال للمستوى المتقدم.
- دمج التخمينات المتعددة في النهاية لضمان أن تكون النتيجة مستقرة وواضحة.
إنها تذكير بأن أفضل طريقة لحل مشكلة صعبة ليست دائماً ببناء آلة أكبر أو أكثر تعقيداً، بل بأن تكون أكثر ذكاءً في تحديد ماذا تطعم الآلة وكيف توجهها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.