⚡ electrical engineering

UHD Low-Light Image Enhancement via Real-Time Enhancement Methods with Clifford Information Fusion

تقترح هذه الورقة شبكة مبتكرة لتحسين الصور فائقة الدقة (UHD) في ظروف الإضاءة المنخفضة في الوقت الفعلي، والتي تستفيد من دمج الميزات الهندسية عبر جبر كليفورد وبنية "يو-نت" (U-Net) خفيفة الوزن ثنائية المسار للتغلب على اختناقات الذاكرة، محققةً استدلالاً بمستوى الميلي ثانية على الأجهزة الطرفية مع التفوق على النماذج الرائدة في جودة الاستعادة.

المؤلفون الأصليون: Xiaohan Wang, Chen Wu, Dawei Zhao, Guangwei Gao, Dianjie Lu, Guijuan Zhang, Linwei Fan, Xu Lu, Shuai Wu, Hang Wei, Zhuoran Zheng

نُشر 2026-04-13

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Xiaohan Wang, Chen Wu, Dawei Zhao, Guangwei Gao, Dianjie Lu, Guijuan Zhang, Linwei Fan, Xu Lu, Shuai Wu, Hang Wei, Zhuoran Zheng

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 أن لديك كاميرا أمنية جديدة تماماً، فائقة الدقة (4K أو حتى 8K). إنه وقت الليل، والمشهد مظلم تماماً. تريد تشغيل الأضواء لترى ما يحدث، ولكن هناك مشكلتان كبيرتان:

"جدار الذاكرة": إذا حاولت استخدام ذكاء اصطناعي فائق الذكاء وثقيل الوزن لإصلاح الصورة، فسينفد من هاتفك أو حاسوبك الذاكرة ويحدث عطل. الأمر يشبه محاولة إدخال فيل طوله 50 قدماً في شقة استوديو صغيرة.
"وحش الضجيج": إذا استخدمت ذكاءً اصطناعياً سريعاً وخفيف الوزن لإصلاح الصورة، فستصبح الصورة مشرقة، ولكنها ستتحول أيضاً إلى فوضى ملونة ومحببة. الأمر يشبه رفع مستوى صوت الراديو لسماع همسة، ولكنك فجأة تسمع فقط ضجيج التشويش.

تقدم هذه الورقة البحثية حلاً جديداً يسمى CPE (تعزيز هرم كليفورد - Clifford Pyramid Enhance). فكر في الأمر كـ "طاهٍ ذكي للصور" يمكنه طهي وجبة فاخرة (صورة 8K واضحة ومشرقة) في مطبخ صغير (هاتف محمول) دون أن يحرق المنزل.

إليك كيف يعمل، مقسماً إلى تشبيهات بسيطة:

1. استراتيجية "التمويه والحدة" (فك الارتباط الترددي)

تخيل أن لديك لوحة طينية (مليئة بالطين).

الجزء منخفض التردد: هذا هو الشكل العام ولون الخلفية (الـ "طين").
الجزء عالي التردد: هذه هي التفاصيل الدقيقة، مثل ملمس ضربات الفرشاة أو الحواف الحادة لشجرة (الـ "طين" الذي يخفي التفاصيل).

معظم تقنيات الذكاء الاصطناعي تحاول إصلاح اللوحة بأكملها دفعة واحدة، وهو أمر فوضوي. أما CPE فهو ذكي: يقوم أولاً بوضع تغبيش غاوسي (Gaussian blur) (فلتر تركيز ناعم) على الصورة لفصل "الطين" (الإضاءة) عن "التفاصيل" (الملمس). إنه يعامل كل منهما كمكونين منفصلين. هذا يجعل العمليات الشاقة بسيطة ويمنع ذاكرة الكمبيوتر من الامتلاء.

2. "المترجم الهندسي" (جبر كليفورد)

هذا هو السر وراء نجاح الورقة البحثية. عادةً، عندما يحاول الذكاء الاصطناعي خلط "الطين" و"التفاصيل" مرة أخرى، فإنه يمزجهما معاً مثل الخلاط، مما يؤدي غالباً إلى إفساد الملمس أو إنشاء عيوب غريبة (مثل لحاف مرقع).

يستخدم CPE ما يسمى جبر كليفورد (Clifford Algebra). فكر في هذا كـ مترجم خاص يتحدث لغة "الهندسة".

بدلاً من مجرد النظر إلى الألوان (الأحمر، الأخضر، الأزرق)، ينظر هذا المترجم إلى الاتجاهات والأشكال.
يتساءل: "هل هذا الحرف يتجه للأعلى؟ هل هذا الظل يسقط إلى اليسار؟"
من خلال فهم اتجاه التفاصيل، يمكنه دمج الإضاءة والملمس معاً بشكل مثالي. إنه يشبه خياطاً ماهراً يعرف تماماً كيف يخيط البدلة بحيث تتماشى خطوط النمط تماماً، بدلاً من مجرد لصق القماش معاً. هذا يمنع "الضجيج المحبب" من إفساد الصورة.

3. "مفتاح التعتيم الذكي" (نظرية ريتينكس)

بمجرد تنظيف الصورة والحفاظ على التفاصيل، لا يحاول CPE إعادة رسم الصورة بأكملة بكسل ببكسل (وهو أمر بطيء ويستهلك الكثير من الذاكرة).

بدلاً من ذلك، يعمل مثل مفتاح تعتيم ذكي.

ينظر إلى الصورة المظلمة ويحسب خريطتين بسيطتين:
1. خريطة غاما (Gamma Map): مقدار تمديد التباين (مثل فتح نافذة للسماح بمزيد من الضوء بالدخول).
2. خريطة الكسب (Gain Map): مقدار تعزيز السطوع الإجمالي.
يقوم بتطبيق هذه "إعدادات التعتيم" على الصورة الأصلية. ولأن الأمر مجرد إجراء عمليات رياضية على الإضاءة بدلاً من إعادة بناء الصورة بأكملها، فإنه سريع للغاية.

النتيجة: السرعة والجودة

تزعم الورقة البحثية أن هذه الطريقة تُعد نقطة تحول لسببين:

إنها سريعة: يمكنها معالجة صورة 8K ضخمة (التي تحتوي على 33 مليون بكسل!) في حوالي 11 ميلي ثانية. هذا أسرع من رمشة عين الإنسان. إنها تعمل بسرعة 87 إطاراً في الثانية، مما يعني أنها تعمل في الوقت الفعلي حقاً.
إنها خفيفة: يمكنها العمل على بطاقة رسوميات استهلاكية قياسية أو حتى على هاتف ذكي حديث (مثل Huawei Mate 60 Pro أو iPhone 16 Pro) دون أن تتعطل.

لماذا يجب أن تهتم؟

إذا كنت قد جربت يوماً استخدام تطبيق للرؤية الليلية على هاتفك وكان إما بطيئاً جداً في الاستخدام أو أن الصورة بدت كأنها تشويش، فهذه التكنولوجيا هي الحل. فهي تسمح لكاميرات الأمن، والسيارات ذاتية القيادة، والطائرات بدون طيار برؤية واضحة في الظلام، بدقة فائقة، مباشرة على أجهزتها الخاصة، دون الحاجة إلى خوادم ضخمة في السحابة.

باختة القول: CPE يشبه أخذ كاميرا عالية الدقة ثقيلة وبطيئة، وإخضاعها لنظام غذائي، ومنحها عقلاً هندسياً، وتعليمها كيفية تشغيل الأضواء فوراً دون بذل مجهود شاق.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "تعزيز الصور فائقة الدقة (UHD) في ظروف الإضاءة المنخفضة عبر طرق التعزيز في الوقت الفعلي باستخدام دمج معلومات كليفورد (Clifford Information Fusion)."

1. بيان المشكلة

تتناول الورقة التحدي الحرج المتمثل في تعزيز الصور فائقة الدقة (UHD) في ظروف الإضاءة المنخفضة (تحديداً دقتي 4K و8K) تحت قيود صارمة تتعلق بـ الوقت الفعلي والذاكرة.

"جدار الذاكرة" (The Memory Wall): تعاني الأساليب الحالية المتطورة (SOTA)، مثل البنى القائمة على المحولات (Transformers) (مثل LLFormer) ونماذج الانتشار (Diffusion models)، من تعقيد حسابي تربيعي. وعند تطبيقها على مدخلات 4K/8K أصلية، تتسبب في أخطاء ناتجة عن نفاد الذاكرة (OOM) على الأجهزة الاستهلاكية.
فشل الحلول البديلة الحالية: لتجاوز مشكلة نفاد الذاكرة، تستخدم النماذج الحالية غالباً الاستدلال القائم على الرقع (Patch-based inference) (النوافذ المنزلقة) أو تقليل العينة العالمي (Global downsampling).
- الاستدلال القائم على الرقع: يكسر اتساق الإضاءة العالمي، مما يسبب ظهور فواصل شبكية واضحة وعيوب عند الحدود.
- تقليل العينة: يدمر بشكل غير قابل للاسترداد الأنسجة عالية التردد والتفاصيل الدقيقة.
محدودية النماذج خفيفة الوزن: الشبكات القائمة على رسم المنحنيات (مثل ++Zero-DCE) سريعة ولكنها تفتقر إلى الفصل الترددي الصريح، مما يؤدي إلى تضخيم الضوضاء وتشويه الألوان في ظروف الإضاءة شديدة الانخفاض.

2. المنهجية: تعزيز هرم كليفورد (Clifford Pyramid Enhance - CPE)

يقترح المؤلفون CPE، وهو إطار عمل خفيف الوزن مصمم لمعالجة صور UHD الأصلية. يعتمد استراتيجية "استخراج الميزات بدقة منخفضة، ورسم خرائط المعلمات بدقة عالية".

أ. البنية العامة

الهرم متعدد المقاييس: يتم تقليل عينة صورة UHD المدخلة تكيفياً إلى حجم مدمج ثابت (مثلاً 64×64) لإنشاء تنسير أساسي. ثم تقوم الشبكة برفع مستوى هذا التنسير تدريجياً عبر هرم ميزات مكون من 4 طبقات.
الاستخراج المفصول ترددياً: عند كل مستوى من مستويات الهرم، يقوم نواة تمويه غاوسي (Gaussian blur kernel) بفصل الصورة إلى:
- التردد المنخفض ( $L_{feat}$ ): الإضاءة العالمية وتحولات الألوان.
- التردد العالي ( $H_{feat}$ ): التفاصيل الهيكلية، الحواف، والضوضاء.
Dual-Branch LightUNet: تعمل فرعان متوازيان خفيفا الوزن (باستخدام التلافيف المنفصلة عمقياً - Depthwise Separable Convolutions) على معالجة المكونات المفصولة بشكل منفصل لتقليل عدد المعلمات.

ب. الابتكار الجوهري: دمج الميزات الهندسية لكليفورد

تفشل عملية الدمج أو الجمع الخطي التقليدية في الحفاظ على الطوبولوجيا الهندسية بين النطاقات الترددية. يقدم CPE جبر كليفورد الإقليدي ثنائي الأبعاد ( $Cl(2,0)$ ):

بناء فضاء المتجهات المتعددة (Multivector Space): يتم إسقاط الميزات في فضاء مكون من 12 قناة وإعادة تشكيلها إلى ثلاث متشعبات ألوان زائفة. يتم تعيين كل موقع مكاني إلى متجه متعدد (multivector) $M = s + v_1e_1 + v_2e_2 + be_{12}$ $M = s + v_{1} e_{1} + v_{2} e_{2} + b e_{12}$ ، ويتكون من:
- السكالر ( $s$ ): الطاقة الأساسية.
- المتجهات ( $v_1, v_2$ ): اتجاهية التدرج المكاني.
- المتجه الثنائي ( $b$ ): السمات الدورانية والمساحية.
التشابه الهندسي والتجميع الديناميكي: تحسب الشبكة الضرب الداخلي لكليفورد بين المتجهات المتعددة ذات التردد المنخفض والعالي لإنشاء خريطة تشابه مكاني ( $S_{map}$ $S_{ma p}$ ).
- في المناطق ذات الاتجاهية المتسقة (الحواف الحادة)، يتم الحفاظ على ميزات التردد العالي.
- في المناطق الفوضوية (الضوضاء/المناطق المظلمة)، تهيمن ميزات التردد المنخفض لتخميد الضوضاء.
- تقوم هذه الآلية بدمج الميزات مع احترام القيود الهندسية، مما يمنع العيوب الهيكلية.

ج. إعادة بناء الدقة الديناميكية (المستند إلى ريتينكس - Retinex)

بدلاً من التنبؤ بصورة RGB النهائية مباشرة (وهو أمر مستهلك للذاكرة)، يتنبأ CPE بمعلمات تكيفية مكانياً عند الدقة الأصلية:

خرائط غاما ( $\Gamma$ ) والكسب ( $G$ ): تخرج الشبكة هذه الخرائط للقيام بتعديل السطوع غير الخطي بناءً على نظرية ريتينكس.
استعادة دقة الألوان: يتم تطبيق التعزيز فقط على مكون الإضاءة ( $I_{enhanced} = G \cdot I_{in}^\Gamma$ ). ويتم إعادة بناء الصورة النهائية عن طريق ضرب المدخل الأصلي في نسبة الإضاءة المعززة إلى الإضاءة الأولية:
$X_{enh} = X_{low} \odot \frac{I_{enhanced}}{I_{in}}$
هذا يضمن رياضياً ثبات الألوان ويتجنب انزياحات الألوان الشائعة في طرق التعلم العميق.

3. المساهمات الرئيسية

التغلب على جدار الذاكرة: يحقق CPE استدلالاً في الوقت الفعلي لصور 4K/8K على وحدات معالجة الرسومات الاستهلاكية من خلال فصل الحسابات الثقيلة (استخراج الميزات) عن الدقة الأصلية، متجنباً عيوب الرقع أو تقليل العينة.
دمج جبر كليفورد: يعد هذا أول عمل يقدم فضاءات متجهات كليفورد متعددة الأبعاد في تعزيز الإضاءة المنخفضة. يوفر هذا بديلاً مدركاً هندسياً لآلية الانتباه الذاتي (self-attention)، مما يدمج بفعالية أنسجة التردد العالي مع إضاءة التردد المنخفض مع تقليل الضوض much.
إعادة البناء المقيد بالفيزياء: من خلال استخدام خرائط غاما/الكسب المستوحاة من ريتينكس، تضمن الطريقة الاتساق الفيزيائي ودقة الألوان دون الحاجة إلى تنسيرات مخرجات ضخمة.

4. النتائج التجريبية

تم تقييم الطريقة على مجموعة بيانات UHD-LOL (لأجزاء 4K و8K) ومقارنتها مع 7 نماذج متطورة (Transformers, CNNs, Diffusion, Curve-based).

سرعة الاستدلال (الأداء في الوقت الفعلي):
- 4K: زمن انتقال 8.68 مللي ثانية (115.2 إطار في الثانية).
- 8K: زمن انتقال 11.49 مللي ثانية (87.0 إطار في الثانية).
- المقارنة: النماذج الثقيلة مثل LLFormer تستغرق حوالي 170 ثانية لكل صورة 8K (0.006 إطار في الثانية).
مقاييس الجودة (8K):
- PSNR: 22.80 ديسيبل (متفوق على النماذج الخفيفة مثل FLOL التي سجلت 18.61 ديسيبل، ونماذج تقليل العينة مثل UHDM التي سجلت 14.30 ديسيبل).
- SSIM: 0.9453.
- الجودة البصرية: يقضي على فواصل الرقع ويحافظ على الأنسجة الدقيقة (النصوص، الهندسة المعمارية) التي تُفقد في أساليب تقليل العينة.
المهام اللاحقة (كشف الأجسام):
- عند تغذية نموذج YOLOv10x بمشاهد ليلية، اكتشف CPE 576 هدفاً في مشاهد 8K، متفوقاً بشكل كبير على UHDM (0 هدف) وAGLLDiff (35 هدفاً)، مع الحفاظ على 98.6% من قدرة الكشف لنموذج LLFormer الثقيل.
النشر على الحافة (Edge Deployment): تم نشره بنجاح على الأجهزة المحمولة (Huawei Mate 60 Pro, iPhone 16 Pro) باستخدام دقة مختلطة FP16، محققاً معالجة شاملة في حوالي 312 مللي ثانية.

5. الأهمية

توفر هذه الورقة مساراً تقنياً قابلاً للتطبيق للرؤية فائقة الدقة (UHD) في الوقت الفعلي على الأجهزة الطرفية محدودة الموارد. من خلال استبدال آليات الانتباه العالمي المكلفة حسابياً بدمج كليفورد الهندسي ونقل العمليات الثقيلة إلى فضاء كامن بدقة منخفضة، يحل CPE مشكلة "جدار الذاكرة". كما يثبت أن التعزيز عالي الدقة والخالي من العيوب في ظروف الإضاءة المنخفضة ممكن عند دقات 4K/8K دون الاعتماد على الحوسبة السحابية أو التضحية بمعدل الإطارات، مما يجعله ذا صلة وثيقة بالقيادة الذاتية، المراقبة، والتصوير الفوتوغرافي عبر الهاتف المحمول.