Learning Structural Illumination for Unsupervised Low-light Enhancement
تقترح هذه الورقة البحثية إطار عمل RISE، وهو إطار غير خاضع للإشراف لتعزيز الإضاءة المنخفضة يعمل على فصل بنية الإضاءة النسبية عن التعرض المطلق عبر استنتاجها من المناطق الساطعة الموثوقة، ويستخدم مرجع قياس مزدوج لتعديل التعرض المتكيف مع المشهد، محققاً أداءً هو الأفضل في فئته مع نتائج بصرية طبيعية.
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 محقق صور رقمي، ولكن بدلاً من حل الجرائم، أنت تحاول إصلاح الصور التي التُقطت في الظلام. يُطلق على هذا المجال اسم تحسين الصور في الإضاءة المنخفضة (LLIE). فكر في الصورة الملتقطة ليلاً كأنها همسة؛ تحاول الكاميرا الاستماع إليها، لكنها لا تسمع في الغالب سوى الضجيج (الضوضاء) بدلاً من القصة الفعلية. لسنوات، حاول العلماء تعليم الحواسيب كيفية "رفع مستوى الصوت" لهذه الهمسات لجعلها واضحة مرة أخرى.
الجزء الصعب هو أن ليست كل الصور المظلمة متشابهة. فبعضها خافت قليلاً، بينما البعض الآخر شديد السواد مع وجود شرارة ضوء صغيرة فقط. حاولت الأساليب القديمة إصلاح كل صورة باستخدام نفس "مقبض التحكم الرئيسي في الصوت"، حيث ترفع السطوع إلى نفس المستوى تماماً. لكن هذا يشبه محاولة إصلاح همسة وصرخة بنفس إعدادات الصوت—إما سيترك الهمسة خافتة جداً أو يجعل الصرخة صاخبة لدرجة التشوه. علاوة على ذلك، عندما تكون الصورة مظلمة جداً، يرتبك مستشعر الكاميرا بسبب الضجيج، مما يجعل من الصعب التمييز بين ما هو ظل حقيقي وما هو مجرد تشويش رقمي. كان السؤال الكبير للباحثين هو: كيف يمكننا تعليم الكمبيوتر فهم شكل الضوء في المشهد دون الحاجة إلى صورة "قبل وبعد" مثالية للتعلم منها؟
هنا يظهر RISE، وهو نهج جديد اقترحه الباحث تيانلي دو وفريقه من جامعة تيانجينين وأكاديمية دون هوانغ. بدلاً من تخمين سطوع الصورة بأكملها دفعة واحدة، يعمل RISE كأنه مستكشف ذكي لا يثق إلا في أكثر البقع سطوعاً ووضوحاً في الغرفة المظلمة ليفهم بقية المشهد.
تجادل الورقة البحثية بأن الأساليب السابقة ارتكبت خطأً فادحاً: فقد حاولت تقدير نمط الإضاءة بالكامل ومستوى السطوع العام في آن واحد، مما أدى غالباً إلى الارتباك بسبب الأجزاء المظلمة والمشوشة من الصورة. يقوم RISE بقلب الطاولة عبر فصل هاتين المهمتين. أولاً، يحدد بعض "دلالات الإضاءة الرئيسية" (KICs)—وهي نقاط ساطعة صغيرة وموثوقة في الصورة المظلمة، مثل لهب شمعة أو انعكاس مصباح شارع. يتعامل الكمبيوتر مع هذه النقاط كنقاط مرجعية موثوقة. ثم يتساءل: "كيف يتلاشى الضوء كلما ابتعد عن هذه النقاط الساطعة؟" ومن خلال دراسة العلاقة بين النقاط الساطعة والمناطق المظلمة، يبني RISE خريطة لـ بنية الإضاءة النسبية. إنه يشبه فهم شكل التل من خلال النظر إلى القمم، بدلاً من محاولة قياس الجبل بأكمله دفعة واحدة.
بمجرد فهم شكل الضوء، يتعامل RISE مع التعرض المطلق (مدى سطوع الصورة النهائية) بشكل منفصل. وللقيام بذلك، يستخدم أداة ذكية تسمى مرجع التعرض مزدوج القياس (DMER). تخيل مصوراً يستخدم مقياسين مختلفين للضوء: أحدهما يتحقق من السطوع العام للغرفة بأكملها، والآخر يتحقق من أنماط الإضاءة المحددة. يجمع RISE بين هذين القراءتين ليقرر بالضبط مقدار رفع سطوع الصورة، مما يضمن تكيفها مع المشهد المحدد بدلاً من اتباع قاعدة جامدة واحدة تناسب الجميع.
النتائج مبهرة. اختبر الباحثون RISE على سبعة معايير مختلفة وخمس مجموعات بيانات من العالم الحقيقي. ووجدوا أن RISE حقق أداءً رائداً (state-of-the-art) بين الأساليب غير الخاضعة للإشراف، مما يعني أنه تفوق على جميع التقنيات الأخرى التي لا تستخدم بيانات تدريب مقترنة. وتحديداً، وصل إلى PSNR قدره 21.33 على مجموعة بيانات LOLv2-Real و 22.22 على مجموعة بيانات UHD-LL، وكل ذلك باستخدام نموذج خفيف الوزن للغاية يحتوي على 0.35 مليون معلمة و 1.43 جيجا فلوبس من قدرة الحوسبة. وهذا يعني أنه ليس فقط الأكثر ذكاءً، بل هو أيضاً أحد أكثر الأساليب كفاءة.
الأهم من ذلك، تُظهر الورقة أن RISE لا يقوم بمجرد حفظ بيانات التدريب؛ بل يعمم بشكل جيد على مشاهد جديدة لم يسبق رؤيتها، بما في ذلك الصور الملتقطة بهاتف iPhone 16 Pro في ظروف إضاءة منخفضة من العالم الحقيقي. يوضح المؤلفون أنه من خلال فصل بنية الضوء عن السطوع العام، يتجنب RISE العثرات الشائعة المتمثلة في الإفراط في تعريض المناطق المضيئة أو ترك المناطق المظلمة مليئة بالضجيج. ومع ذلك، يلاحظ المؤلفون بحذر أن هذه الطريقة ليست سحراً؛ فإذا كان جزء من الصورة مظلماً لدرجة أن مستشعر الكاميرا لم يلتقط سوى الضجيج (أقل من مستوى ضجيج المستشعر)، فلا يمكن لـ RISE ابتكار تفاصيل ليست موجودة أصلاً. في تلك الحالات القصوى، لا يمكن استعادة المحتوى المفقود عن طريق تصحيح التعرض وحده.
باختصار، يشير RISE إلى أن أفضل طريقة لإصلاح صورة مظلمة ليست بتخمين الصورة بأكملها، بل بإيجاد الدلائل الساطعة القليلة الموثوقة، وفهم كيفية انتقال الضوء منها، ثم ضبط مستوى الصوت بدقة لهذا المشهد تحديداً. إنه تحول من رفع السطوع بالقوة الغاشمة إلى فهم هيكلي أكثر ذكاءً للضوء.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.