💻 computer science

Single-Stage Signal Attenuation Diffusion Model for Low-Light Image Enhancement and Denoising

تقترح هذه الورقة نموذج انتشار تخفيف الإشارة (SADM)، وهو إطار عمل جديد أحادي المرحلة يدمج آلية تخفيف الإشارة في عملية الانتشار لتحقيق استعادة السطوع وكبح الضجيج في آن واحد من أجل تحسين الصور منخفضة الإضاءة، مما يلغي الحاجة إلى خطوط المعالجة متعددة المراحل أو الشبكات المساعدة التي تتطلبها الطرق الحالية.

المؤلفون الأصليون: Ying Liu, Junchao Zhang, Caiyun Wu

نُشر 2026-04-08

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Ying Liu, Junchao Zhang, Caiyun Wu

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 النظر إلى لوحة فنية جميلة، لكنها مغطاة بضباب كثيف وداكن، كما قام شخص ما برشها بالكهرباء الساكنة (الضجيج/النمش الرقمي). هدفك هو تنظيفها لتتمكن من رؤية الألوان والتفاصيل مرة أخرى. هذا هو بالضبط ما يفعله تحسين الصور في الإضاءة المنخفضة (LLIE) للصور الملتقطة في الظلام.

لفترة طويلة، حاولت الحواسيب إصلاح هذه الصور في خطوتين منفصلتين:

الخطوة 1: "لنرفع السطوع!" (ولكن هذا غالباً ما كان يجعل الضجيج الساكن يزداد سوءاً).
الخطوة 2: "حسناً، لنقم بتنظيف الضجيج الآن." (ولكن هذا غالباً ما كان يجعل الصورة تبدو ضبابية أو باهتة).

الأمر يشبه محاولة غسل سيارة متسخة بالوحل عن طريق رشها أولاً بخرطوم المياه (مما يؤدي إلى نشر الطين في كل مكان) ثم محاولة تجفيفها. الخطوتان تتعارضان مع بعضهما البعض، والنتيجة لا تكون مثالية.

الفكرة الجديدة: نموذج "توهين الإشارة" (SADM)

ابتكرت المؤلفة، يينغ ليو وفريقها، طريقة أكثر ذكاءً. لقد بنوا نموذج انتشار أحادي المرحلة لتوهين الإشارة (SADM).

إليك كيف يعمل، باستخدام بعض التشبيهات الإبداعية:

1. تشبيه "الفيلم المعكوس"

فكر في "نموذج الانتشار" (Diffusion Model) كأنه فيلم يُعرض بالعكس.

العملية الأمامية (الفيلم): تخيل أنك تأخذ صورة واضحة ومشرقة وتقوم بخفض الأضواء ببطء حتى تصبح سوداء تماماً، بينما تضيف في الوقت نفسه ضجيجاً ساكناً. في النهاية، ستحصل على شاشة مليئة بالتشويش العشوائي.
العملة العكسية (الإصلاح): يشاهد الذكاء الاصطناعي هذا "الفيلم" بشكل عكسي. يبدأ من الضجيج الساكن ويحاول "إلغاء خفت الأضواء" و"إلغاء إضافة الضجيج" لاستعادة الصورة الواضحة.

2. مشكلة النماذج القديمة

عاملت معظم نماذج الذكاء الاصطناعي السابقة "جعل الصورة مشرقة" و"إزالة الضجيج" كوظيفتين مختلفتين. كانوا يحاولون تفتيح الصورة أولاً، ثم يحاولون تنظيفها. هذا يشبه محاولة إصلاح سقف مسرب للمياه بينما لا يزال المنزل يحترق؛ فالمشكلتان تتداخلان مع بعضهما البعض.

3. حل SADM: "مفتاح التحكم في السطوع"

العبقرية في هذا النموذج الجديد تكمن في مكون خاص يسمى معامل توهين الإشارة.

تخيل أن الذكاء الاصطناعي لديه مفتاح تحكم سحري (Dimmer Switch) مدمج داخل "الفيلم الأمامي".

بينما يقوم الذكاء الاصطناعي بخفض الأضواء لإنشاء نسخة "الضجيج" من الصورة، فإنه لا يكتفي بخفض الأضواء فحسب؛ بل يحاكي بدقة كيف تعاني الكاميرا الحقيقية في الظلام. إنه يجعل الإشارة (الصورة) تتلاشى بسرعة أكبر من ظهور الضجيج.
لماذا يهم هذا؟ لأن الذكاء الاصطناعي يتعلم أن "الظلام" و"الضجيج" هما صديقان مقربان في هذا السيناريو المحدد. من خلال تعليم الذكاء الاصطناعي أن الصورة تتلاشى طبيعياً في الظلام بالتزامن مع ظهور الضجيج، يتعلم الذكاء الاصطناعي إصلاح كلا المشكلتين في نفس الوقت عند تشغيل الفيلم بالعكس.

التشبيه:

الطريقة القديمة: لديك حذاء متسخ بالوحل. تغسله بالماء (فيصبح مبللاً ومتسخاً بالوحل)، ثم تقوم بفركه (فيصبح نظيفاً ولكن ربما يتضرر الجلد).
طريقة SADM: تدرك أن الوحل هو المشكلة. تستخدم محلول تنظيف خاص يذيب الوحل ويجفف الجلد في آن واحد. لا تحتاج إلى أداتين مختلفتين؛ بل تحتاج فقط إلى عملية واحدة ذكية تفهم أن الوحل والجلد مرتبطان ببعضهما.

4. خدعة "الهرم" (لتسريع العملية)

نماذج الانتشار عادة ما تكون بطيئة لأنها تضطر لاتخاذ آلاف الخطوات الصغيرة لتنظيف الصورة (مثل تقشير البصلة طبقة تلو الأخرى).

الحل: يستخدم المؤلفون هرم متعدد المقاييس (Multi-Scale Pyramid). تخيل تنظيف غرفة ضخمة. بدلاً من تنظيف كل بوصة من الأرض واحدة تلو الأخرى، تقوم أولاً بتنظيف الغرفة بأكملها بسرعة للتخلص من الفوضى الكبيرة (دقة منخفضة)، ثم تقوم بالتقريب (Zoom in) لتنظيف الزوايا والتفاصيل (دقة عالية).
هذا يسمح للذكاء الاصطناعي بإصلاح الصورة في 10 خطوات فقط بدلاً من 1,000 خطوة، مما يجعله أسرع بكثير دون فقدان الجودة.

لماذا يعد هذا أمراً بالغ الأهمية؟

خطوة واحدة، نتيجتان: إنه يصلح السطوع والضجيح في وقت واحد، لذا تبدو الصورة طبيعية، وليست ضبابية أو ذات ألوان غريبة.
لا أدوات إضافية: لم تكن الطرق القديمة بحاجة إلى شبكات "مساعدة" إضافية لإصلاح الأخطاء. هذا النموذج يقوم بكل شيء بمفرده، مما يجعله أبسط وأكثر كفاءة.
نتائج واقعية: تُظهر الورقة البحثية أن هذه الطريقة تنتج صوراً أكثر وضوحاً وسطوعاً وتفصيلاً من أي طريقة حالية أخرى، خاصة في المواقف الصعبة مثل المراقبة الليلية أو القيادة في الظلام.

باختصار: بنى المؤلفون ذكاءً اصطناعياً يفهم أن "الظلام" و"الضجيج" يسيران جنباً إلى جنب. وبدلاً من محاربة كل منهما على حدة، يستخدمون خدعة رياضية خاصة لإصلاح كليهما في وقت واحد، مما ينتج صوراً واضحة كأنها في وضح النهار من قلب أشد الليالي عتمة.

إليك ملخص تقني مفصل لورقة البحث بعنوان "نموذج انتشار تخفيف الإشارة أحادي المرحلة لتحسين الصور في الإضاءة المنخفضة وإزالة الضجيج" (Single-Stage Signal Attenuation Diffusion Model for Low-Light Image Enhancement and Denoising).

1. بيان المشكلة

يواجه تحسين الصور في الإضاءة المنخفضة (LLIE) تحديًا مزدوجًا: استعادة السطوع مع كبح الضجيج والحفاظ على التفاصيل الدقيقة. تعاني النهج الحالية من قيود كبيرة:

الطرق التقليدية: تعتمد على مقدمات مصممة يدويًا (مثل نظرية ريتينكس - Retinex)، مما يؤدي غالبًا إلى تشوه الألوان، وتضخيم الضجيج، وضعف التعميم في السيناريوهات المعقدة.
طرق التعلم العميق: رغم أن الشبكات العصبية الالتفافية (CNNs) والمحولات (Transformers) قد حسنت الأداء، إلا أن العديد منها يتبنى مسار عمل متعدد المراحل (مثل "التحسين ثم إزالة الضجيج" أو "التفكيك ثم التحسين"). هذا الفصل يخلق أهداف تحسين غير متسقة، مما يؤدي إلى نتائج دون المستوى، وظهور آثار متبقية (artifacts)، وزيادة تعقيد النموذج.
نماذج الانتشار (Diffusion Models): على الرغم من تفوق نماذج الانتشار الاحتمالي (DDPMs) في نمذجة التوزيعات المعقدة، إلا أن طرق تحسين الصور في الإضاءة المنخفضة القائمة على الانتشار تتبع في الغالب نموذج المرحلتين أو تعتمد على شبكات تصحيح مساعدة. هذا يفشل في التقاط الترابط الجوهري بين تعزيز الإضاءة وكبح الضجيج، مما يضعف كفاءة التدريب والاستدلال.

2. المنهجية: نموذج انتشار تخفيف الإشارة (SADM)

يقترح المؤلفون SADM، وهو إطار عمل انتشار شرطي أحادي المرحلة يوحد تعزيز السطوع وكبح الضجيج.

الابتكار الجوهري: آلية تخفيف الإشارة

على عكس نماذج DDPM القياسية حيث تضيف العملية الأمامية ضجيجًا إلى الصورة حتى تصبح ضجيجًا غاوسيًا نقيًا ( $x_T \sim \mathcal{N}(0, I)$ )، يقدم SADM معامل تخفيف الإشارة ( $k_t$ ) في العملية الأمامية.

العملية الأمامية: يتم تعريف الانتقال كـ $x_t = k_t(a_t x_{t-1} + b_t \epsilon_t)$ $x_{t} = k_{t} (a_{t} x_{t - 1} + b_{t} ϵ_{t})$ .
- مع زيادة خطوات الانتشار ( $t$ )، يقوم $k_t$ بتخفيف شدة الإشارة تدريجيًا.
- بحلول الخطوة $T$ ، تتقارب الصورة ليس فقط لتصبح ضجيجًا، بل لتصل إلى حالة ذات شدة إشارة صفرية، مما يحاكي فيزيائيًا تدهور صورة الإضاءة الطبيعية إلى حالة الإضاءة المنخفضة الشديدة.
الهدف الموحد: تجبر هذه الآلية عملية إزالة الضجيج العكسية على تعلم استعادة السطوع (استعادة شدة الإشارة) وكبح الضجيج (إزالة $\epsilon_t$ ) في آن واحد داخل شبكة واحدة، مما يلغي الحاجة إلى مراحل منفصلة للتعزيز وإزالة الضجيج.

الصياغة الرياضية

جدولة التباين (Variance Scheduling): اشتق المؤلفون قيد تكراري $k_{t-1}^4 a_t^2 + b_t^2 = k_t^2$ لضمان اضمحلال العزم الثاني (طاقة الإشارة) للصورة بشكل رتيب وفقًا لـ $E[\|x_t\|^2] = k_t^4$ . وهذا يربط عملية الانتشار بالواقع الفيزيائي لتدهور الإضاءة المنخفضة.
العملية العكسية: تتنبأ شبكة إزالة الضجيج العكسية ( $f_\theta$ ) بالضجيج $\tilde{\epsilon}_t$ . يقلل هدف التحسين من تباعد KL بين التوزيع البعدي الحقيقي والتوزيع المتعلم، والذي يتم تحويله إلى فقدان تنبؤ بالضجيج موزون بعوامل التخفيف.

البنية والتعينات (Sampling)

الشبكة: تستخدم SR3UNet كبنية أساسية.
الشروط: يأخذ النموذج الصورة المشوشة، والخطوة الزمنية، والمقدمات التكيفية للصورة (تحديدًا نسخة منزوعة الضباب من صورة الإضاءة المنخفضة للكشف عن ميزات المناطق المظلمة وتقليل انحراف الألوان) كمدخلات مشتركة.
كفاءة التعيين: لمعالجة بطء الاستدلال في نماذج الانتشار، يستخدم SADM:
- التعيين الهرمي متعدد المقاييس: يعالج الصور بدقات متناقصة لتقليل الحمل الحسابي.
- تعيين DDIM: يستخدم نماذج الانتشار الضمني لتقليل خطوات العملية العكسية (من 1000 إلى 10 خطوات) دون التضحية بالجودة.
دالة الفقد (Loss Function): تتكون من فقد مركب يشمل:
- فقد تنبؤ الضجيج: فقد L1 بين الضجيج المتنبأ به وضجيج الحقيقة الأرضية (Ground-truth).
  \ * فقد محاذاة السطوع: وزن ديناميكي لفقد L1 القياسي وفقد L1 المحاذي للسطوع (باستخدام عامل قياس $\lambda_{GT}$ ) لمنع انزياح الألوان وضمان اتساق السطوع مع الحقيقة الأرضية.
- الفقد الإدراكي (Perceptual Loss): مطابقة ميزات VGG-19 للحفاظ على التماسك البصري.

3. المساهمات الرئيسية

إطار عمل أحادي المرحلة: يعد SADM أول نموذج انتشار يوحد تعزيز السطوع وكبح الضجيج في عملية مرحلة واحدة عبر دمج آلية تخفيف الإشارة، مما يلغي الحاجة إلى مسارات متتالية أو وحدات تصحيح.
المقدمات الفيزيائية: إن إدخال معامل التخفيف $k_t$ يدمج المقدمات الفيزيائية لتدهور الإضاءة المنخفضة مباشرة في صياغة الانتشار، مما يوفر أساسًا رياضيًا متينًا للتحسين المشترك.
توجيه المقدمات التكيفية: يساعد استخدام خطوة معالجة مسبقة خفيفة الوزن لإزالة الضباب كمدخل شرطي في التخفيف من انحراف الألوان وتحسين تقدير الإضاءة في المناطق المظلمة.
الكفاءة: يتيح الجمع بين التعيين الهرمي متعدد المقاييس وDDIM توليد صور عالية الدقة مع تقليل زمن الاستدلال بشكل كبير (10 خطوات).

4. النتائج التجريبية

تم تقييم الطريقة على معايير قياسية: LOLv1، وLOLv2-Real، وLOLv2-Syn، بالإضافة إلى مجموعات بيانات غير مقترنة (DICM, NPE, MEF).

الأداء الكمي:
- LOLv1: حقق نتائج هي الأفضل في فئته (SOTA) مع PSNR 28.0985 و SSIM 0.8770، متفوقًا على جميع الطرق الـ 12 المقارنة (بما في ذلك Retinexformer وPyDiff وDiff-Retinex++).
- LOLv2-Real: احتل المركز الأول في PSNR (28.9338) والمركز الثاني في SSIM.
- LOLv2-Syn: قدم PSNR تنافسي (26.7042) و SSIM (0.9224).
الأداء النوعي:
- تظهر المقارنات البصرية أن SADM يستعيد التفاصيل في المناطق المظلمة بفعالية مع كبح الضجيج وتجنب "التلطيخ" أو تشوه الألوان الذي يظهر في المنافسين.
- أظهر قدرة فائقة على التعميم في المشاهد الواقعية غير المقترنة (مثل ضوء الشموع، الليل الخارجي)، مع الحفاظ على النغمات الطبيعية دون فرط في التعرض للضوء.
دراسات الاستئصال (Ablation Studies):
- أدى إزالة معامل التخفيف ( $k_t$ ) إلى انخفاض حاد في الأداء (انخفض PSNR من 28.09 إلى 20.91)، مما يؤكد ضرورة آلية تخفيف الإشارة.
- حقق الجمع بين فقد متوسط الحقيقة الأرضية (GT-mean loss) والفقد الإدراكي أفضل توازن بين دقة البكسل والجودة البصرية.

5. الأهمية

تمثل هذه الورقة تحولًا جذريًا في تحسين الصور في الإضاءة المنخفضة عبر الانتقال من المسارات متعددة المراحل القائمة على الحدس إلى نموذج توليدي موحد ومعلوم فيزيائيًا.

الأثر النظري: توضح أن نماذج الانتشار يمكن تكييفها رياضيًا لنمذجة عمليات تدهور فيزيائية محددة (تخفيف الإشارة) بدلاً من مجرد ضجيج عام، مما يوفر نهجًا أكثر قابلية للتفسير وكفاءة لترميم الصور.
الأثر العملي: من خلال تحقيق أداء SOTA باستخدام بنية أحادية المرحلة واستدلال فعال، يقدم SADM حلاً قويًا للتطبيقات الحرجة مثل القيادة الذاتية، والمراقبة، والاستشعار عن بعد، حيث يكون معالجة الإضاءة المنخفضة الموثوقة أمرًا ضروريًا.
الاتجاه المستقبلي: يشير العمل إلى أن دمج نماذج التدهور الفيزيائي مباشرة في العملية الأمامية للانتشار هو مسار واعد لحل مشكلات أخرى في الرؤية الحاسوبية.