💻 computer science

IAF-Net: Illumination-Adaptive Fusion for Low-Light Urban Road Segmentation

تقترح الورقة البحثية شبكة IAF-Net، وهي شبكة دمج متكيفة مع الإضاءة تعمل على ضبط أوزان الميزات اللونية (RGB) والهندسية ديناميكيًا لتحقيق أداء رائد في تقسيم الطرق في ظروف الإضاءة المنخفضة والطقس السيئ، مدعومة بمجموعتي بيانات تم إنشاؤهما حديثًا.

المؤلفون الأصليون: Bingtao Wang, Daojie Peng, Fulong Ma, Jun Ma, Liang Zhang

نُشر 2026-06-01

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Bingtao Wang, Daojie Peng, Fulong Ma, Jun Ma, Liang Zhang

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 قيادة سيارة في الليل. عيناك (الكاميرا) تعانيان لأن الظلام دامس، وأضواء الشوارع تومض بشكل مزعج، والطريق يبدو ككتلة رمادية طينية. يمكنك بالكاد رؤية حواف الطريق. ومع ذلك، لديك "حاسة سادسة" خاصة (مستشعر العمق) يمكنها الشعما بتضاريس الطريق حتى في الظلام الحالك.

المشكلة في معظم السيارات ذاتية القيادة اليوم هي أنها تعتمد بشكل مفرط على عينيها. عندما يحل الظلام، ترتبك عيناها، وتبدأ في رؤية أشياء ليست موجودة أو تفقد رؤية أشياء موجودة بالفعل. إنهما لا تعرفان متى تتوقفان عن الثقة في العينين وتبدآن في الثقة في "الحاسة السادسة" بدلاً من ذلك.

تقدم هذه الورقة البحثية نظاماً جديداً يسمى IAF-Net. فكر فيه كأنه مساعد طيار فائق الذكاء، يعرف بالضبط متى ينتقل بين الثقة في عينيك والثقة في حاستك السادسة، اعتماداً على مدى سطوع الغرفة أو إضاءتها.

إليك كيف يعمل، مقسماً إلى أجزاء بسيطة:

1. المشكلة: العين مقابل الحاسة السادسة

العين (كاميرا RGB): رائعة في النهار. ترى الألوان، الأنسجة، واللافتات. لكن ماذا عن الليل؟ تصبح مشوشة، ضبابية، وغير موثوقة.
الحاسة السادسة (العمق/الهندسة): ترى شكل العالم. لا يهمها إن كان الجو مظلماً أو ضبابياً؛ هي فقط تعرف "هذا سطح مستوٍ، وهذا جدار". هي موثوقة في الظلام، لكنها قد تكون مملة بعض الشيء (تفتقر للألوان).
الطريقة القديمة: معظم الأنظمة تدمج هذين المصدرين معاً بشكل متساوٍ طوال الوقت. إذا حل الظلام، فإنها تستمر في دمج بيانات العين المشوشة والضبابية، مما يجعل الصورة النهائية أسوأ.

2. الحل: "الخلاط الذكي" (IAF-Net)

بنى المؤلفون نظاماً يعمل مثل مقبض التحكم في مستوى الصوت الديناميكي.

الخطوة 1: فحص الضوء (LLEM): قبل القيام بأي شيء، يفحص النظام الغرفة. هل هي مضيئة؟ هل هي مظلمة تماماً؟ يقوم النظام بإنشاء "درجة سطوع" بسيطة (من 0 إلى 1).
الخطوة 2: الخلاط الذكي (IAF Module): هذا هو عقل العملية.
- إذا كان الجو مضيئاً: يرفع المقبض مستوى الصوت لـ العين. يقول النظام: "رائع، دعونا نستخدم كل تفاصيل الألوان والأنسجة!"
- إذا كان الجو مظلماً: يخفض المقبض مستوى الصوت لـ العين ويرفع مستوى الصوت لـ الحاسة السادسة. يقول النظام: "عيناك تخدعانك الآن، فلنعتمد على شكل الطريق بدلاً من ذلك."
- يحدث هذا تلقائياً ولحظياً، إطاراً تلو الآخر.

3. "فلتر التركيز" (NAA Decoder)

حتى بعد خلط الإشارات، يحتاج النظام إلى تحديد مكان الطريق بالضبط.

تخيل أنك تحاول العثين على إبرة في كومة قش. في الظلام، تكون كومة القش مليئة بالضجيج (التشويش).
يستخدم النظام فلتر تركيز خاصاً. عندما يكون الجو مظلماً، يصبح هذا الفلتر "أكثر حدة". فهو يتجاهل ضجيج الخلفية بقوة ويركز بدقة شديدة على معالم الطريق. أما عندما يكون الجو مضيئاً، فيسترخي الفلتر لأن كل شيء واضح بالفعل.

4. "ساحات التدريب" (مجموعات البيانات الجديدة)

لتعليم هذا النظام، لم يستطع المؤلفون استخدام البيانات القديمة لأنها لم تكن مصنفة للقيادة الليلية. لذا، قاموا ببناء "صالات ألعاب رياضية" للتدريب:

nuScenes-NRS: مجموعة بيانات من واقع حقيقي مأخوذة من شوارع مدينة حقيقية في الليل، حيث استخدموا مسحات ليزر ثلاثية الأبعاد لرسم خطوط الطريق تلقائياً ليتعلم منها الذكاء الاصطناعي.
CARLA-MWRS: محاكي لعبة فيديو حيث أنشأوا سيناريوهات جوية قاسية (أمطار غزيرة، ضباب، ليل) لاختبار ما إذا كان بإمكان السيارة القيادة بأمان.

النتائج

عندما اختبروا هذا المساعد الجديد:

قاد بشكل أفضل من أي طريقة أخرى تمت مقارنتها به في شوارع المدينة الحقيقية ليلاً.
لم يرتبك بسبب المطر أو الضباب في المحاكي.
الجزء الأهم: أثبتوا أن "الخلاط الذكي" (الجزء الذي ينتقل بين العين والحاسة السادسة) كان القطعة الأكثر قيمة. فبدونه، كان أداء النظام أسوأ بكثير.

باختصار: IAF-Net هو نظام قيادة ذاتية يعرف متى يتوقف عن تضييق عينيه في الظلام ويبدأ في الثقة في قدراته في استشعار الأشكال، مما يضمن عدم فقدان الطريق مهما بلغت شدة الظلام.

ملخص تقني: شبكة IAF-Net لتجزئة الطرق الحضرية في ظروف الإضاءة المنخفضة

بيان المشكلة

تعد التجزئة الدلالية القوية للطرق مكوناً حيوياً في أنظمة القيادة الذاتية، وهي ضرورية لتخطيط المسار وتجنب العوائق. وبينما تعمل الطرق الحالية بشكل جيد في ظروف الإضاءة القياسية، إلا أنها تعاني من تدهور شديد في الأداء في حالات الإضاءة المنخفضة والظروف الليلية. ويكمن القصور الأساسي المحدد ليس في نقص الدراسات الليلية، بل في عدم كفاية نمذجة موثوقية الأنماط المعتمدة على الإضاءة.

في سيناريوهات الإضاءة المنخفضة، تعاني صور RGB من انخفاض السطوع، وانخفاض التباين، وضجيج المستشعر، مما يؤدي إلى إفساد ميزات النسيج واللون. والأهم من ذلك، أن العديد من طرق دمج الأنماط المتعددة الموجودة (التي تجمع بين RGB والبيانات الهندسية مثل العمق أو النواظم السطحية) تفشل في التكيف صراحة مع هذه التغييرات. ونتيجة لذلك، فإنها غالباً ما تنقل ضجيج RGB المتدهور إلى التمثيل المدمج، بدلاً من التحول ديناميكياً نحو الاعتماد على الإشارات الهندسية الأكثر موثوقية عندما تتدهور ظروف الإضاءة.

المنهجية: IAF-Net

يقترح المؤلفون IAF-Net (شبكة الدمج المتكيف مع الإضاءة)، وهو إطار عمل متكامل (End-to-end) مصمم لضبط دمج الميزات ديناميكياً بناءً على إضاءة المشهد. تدمج البنية أربعة وحدات أساسية:

وحدة تعزيز الإضاءة المنخفضة خفيفة الوزن (LLEM):
- تأخذ صور RGB الخام ذات الإضاءة المنخفضة كمدخلات.
- تستخدم عمليات التلافيف المنفصلة عمقياً (Depth-wise separable convolutions) لتقدير معلمات تعزيز البكسل، مما يحسن السطوع والتباين بشكل تكراري مع كبح الضجيج.
- المخرج الرئيسي: تنتج صورة RGB محسنة وتقديراً عالمياً للسطوع ( $b \in [0, 1]$ )، والذي يعمل كإشارة شرطية على مستوى المشهد للوحدات اللاحقة.
تقدير النواظم السطحية القوي (R-SNE):
- تعالج خرائط العمق لتوليد إشارات النواظم السطحية، والتي تكون بطبيعتها أقل حساسية لتغيرات الإضاءة مقارنة بمظهر RGB.
- سلسلة المعالجة: تقوم برفض القيم المتطرفة من العمق الخام (باستخدام تصفية Z-score)، وتطبق تصفية ثنائية الجانب (Bilateral filtering) للحفاظ على الحواف، وتحسب النواظم السطحية.
- وزن الثقة: تتنبأ شبكة خفيفة الوزن بخريطة ثقة لكل بكسل لوزن ميزات النواظم، مما يقلل من مساهمة تقديرات النواظم غير الموثوقة في المناطق المشوشة.
وحدة الدمج المتكيف مع الإضاءة (IAF):
- الابتكار الجوهري الذي يربط إشارة السطوع بالتكامل متعدد الأنماط.
- الآلية: تقوم شبكة مدركة متعددة الطبقات (MLP) برسم خريطة لإشارة السطوع العالمية $b$ لتحويلها إلى أوزان دمج ديناميكية ( $\alpha_{rgb}$ و $\alpha_{norm}$ ) مجموعها يساوي 1.
- السلوك: في المشاهد شديدة الظلمة (منخفضة $b$ )، تخصص الوحدة وزناً أعلى للميزات الهندسية (النواظم) وتثبط ميزات RGB المشوشة. وفي المشاهد جيدة الإضاءة، تعطي الأولوية لمعلومات نسيج RGB مع الاحتفاظ بالدعم الهندسي.
- عملية الدمج: تتم معالجة الميزات عبر وحدات الانتباه الهرمي (HAM)، وتُدمج باستخدام الأوزان الديناميكية، ثم تُنقى عبر واصف تباين الميزات غير المتجانسة (HFCD) ومُحسّن الميزات الموزون بالتقارب (AWFR).
مفكك الشفرة المدرك لليل (NAA):
- يستبدل بوابات الانتباه القياسية بـ آلية شحذ الانتباه المعدلة بالسطوع.
- الآلية: يتم شحذ خريطة الانتباه $\psi$ بمعامل $s = 1.0 + (1.0 - b) \times 0.5$ .
- الأثر: في المشاهد المظلمة، يزدل معامل الشحذ، مما يجبر آلية الانتباه على التركيز بصرامة أكبر على الميزات ذات الصلة وتثبط ضجيج الخلفية. وفي المشاهد المضيئة، يقترب المعامل من 1، مما يحافظ على السلوك القياسي.

التحسين: يتضمن الإطار رأس حافة (EdgeHead) مساعداً للتنبؤ بالحدود، ومخطط وزن الخسارة التكيفي (ALW). يقوم ALW بتعديل خسائر الانتقال الدلالي، وعدم اتساق العمق، وإشراف الحواف بناءً على تقدير السطوع العالمي، مما يضمن توافق هدف التدريب مع التصميم المتكيف مع الإضاءة.

المساهمات الرئيسية

إطار عمل IAF-Net: شبكة متكاملة تدمج بوضوح الوعي بالإضاءة في مسار الإدراك، وتتكيف مع ظروف الإضاءة المتغيرة دون الحاجة إلى نقل النطاق (Domain Transfer) أو مستشعرات إضافية.
وحدة IAF: آلية دمج مبتكرة تستخدم السطوع العالمي لتنظيم موثوقية RGB مقابل الميزات الهندسية ديناميكياً، مما يقلل بفعالية من انتشار الضجيج الناتج عن بيانات RGB المتدهورة ليلاً.
مفكك الشفرة NAA: مفكك شفرة ذو انتباه معدل بالسطوع يعزز اختيار الميزات في بيئات الإضاءة المنخفضة من خلال شحذ خرائط الانتباه بشكل متكيف.
مجموعات بيانات مخصصة:
- nuScenes-NRS: مجموعة بيانات واسعة النطاق مشتقة من nuScenes مع تسميات تجزئة الطريق على مستوى البكسل تم إنشاؤها تلقائياً من سحب نقاط LiDAR (3,182 صورة للتدريب، 805 صورة للتحقق).
- CARLA-MWRS: مجموعة بيانات اصطناعية تغطي ظروف الطقس المتعددة (نهار مشمس/ليلي، ليلة ضبابية، ليلة ممطرة بغزارة وضباب) لاختبار المتانة (3,600 صورة إجمالاً).

النتائج التجريبية

قيم المؤلفون IAF-Net على مجموعات البيانات المقترحة، وقارنوها بأحدث الطرق أحادية النمط ومتعددة الأنماط.

الأداء على nuScenes-NRS: حققت IAF-Net أداءً هو الأفضل في فئتها (SOTA) بين الطرق المقارنة.
- درجة MaxF: بلغت 96.11% (متفوقة على النموذج المرجعي القوي RoadFormer+ بنسبة 0.15% وعلى SNE-RoadSegV2 بنسبة 0.57%).
- الكفاءة: رغم تفوقها على RoadFormer+، تستخدم IAF-Net عدداً أقل بكثير من المعلمات (73.78 مليون مقابل 131.3 مليون).
المتانة على CARDB-MWRS: أظهر النموذج استقراراً عبر ظروف الطقية القاسية، محققاً MaxF قدره 94.79% حتى في سيناريوهات الليل الممطر بغزارة والضبابي.
دراسات الاستئصال (Ablation Studies): أجريت على 40% من مجموعة التدريب لعزل مساهمات الوحدات.
- وفرت وحدة IAF أكبر مكسب فردي (+0.70% في MaxF).
  、وفرت وحدة NAA ثاني أكبر مكسب (+0.63% في MaxF).
- حسن النموذج الكامل MaxF بنسبة 1.29% مقارنة بنموذج مرجعي مبسط (R-SNE + backbone).

الأهمية والادعاءات

يدعي البحث أن الأهمية الأساسية لـ IAF-Net تكمن في نمذجتها الصريحة لـ موثوقية الأنماط المعتمدة على الإضاءة. وخلافاً للمناهج السابقة التي تعامل أوزان الدمج كقيم ثابتة أو متعلمة ضمنياً، تستخدم IAF-Net إشارة سطوع عالمية كآلية تحكم صريحة. وهذا يسمح للنظام بالاعتماد تلقائياً على الميزات الهندسية عندما تكون بيانات RGB غير موثوقة (الليل/الظلام) والاستفادة من النسيج عندما يكون غنياً بالمعلومات (النهار/الإضاءة الجيدة).

يضع المؤلفون هذا العمل كخطوة نحو إدراك أكثر متانة للقيادة الذاتية في الظروف القاسية، معالجين الفجوة المحددة حيث تفشل طرق الدمج الحالية في مراعاة تغير موثوقية مؤشرات RGB. كما تم تسليط الضوء على بناء مجموعتي البيانات nuScenes-NRS و CARLA-MWRS لتسهيل الأبحاث المستقبلية في مجال تجزئة الطرق في الإضاءة المنخفضة.

تم تحديد العمل المستقبلي في تحسين الكفاءة من أجل النشر في الوقت الفعلي، وتوسيع الإطار ليشمل سيناريوهات أكثر تعقيداً (الثلج، المطر)، والاندماج بشكل أوثق مع وحدات التخطيط والتحكم اللاحقة.