Restoring Without Forgetting: Continual Learning Across Image Degradations
تقدم هذه الورقة البحثية إطار عمل "الترميم دون نسيان" (RwF)، وهو إطار للتعلم المستمر يستخدم محولات خفيفة الوزن وتوجيهاً غير خاضع للإشراف لتمكين نماذج ترميم الصور من تعلم أنواع جديدة من التدهور بشكل متسلسل دون نسيان كارثي أو الحاجة للوصول إلى البيانات التاريخية، مما يتفوق بشكل كبير على أساليب الضبط الدقيق القياسية.
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 مستشعر كاميرا قضى حياته بأكملها في صحراء مشمسة وصافية، حيث تعلم بدقة كيف يرى العالم تحت ذلك الضوء المحدد. الآن، تخيل نفس الكاميرا وهي تُنقل إلى مدينة ممطرة، ثم إلى جبل ضبابي، وأخيرًا إلى كهف مظلم. في العالم الحقيقي، تواجه المستشعرات ظروفًا متغيرة مثل هذه واحدًا تلو الآخر، وغالبًا دون الوصول إلى البيانات القديمة من المواقع السابقة بسبب قواعد الخصوصية أو حدود التخزين. لكي يتعلم الكمبيوتر كيفية إصلاح الصور في بيئة جديدة، يتعين عليه عادةً إعادة التدريب من الصوفر. وإذا حاولت تعليمه الظروف الجديدة دون مسح ذاكرته عن البيئة الأولى، فإنه غالبًا ما ينسى كيفية التعامل مع البيئة الأولى تمامًا. هذا يمثل عقبة كبيرة أمام بناء أنظمة ذكية قادرة على التكيف بمرور الوقت. لقد اعتمد مجال ترميم الصور، الذي يهدف إلى تنظيف الصور الضبابية أو المشوشة أو المظلمة، بشكل كبير على أدوات متخصصة لكل مشكلة محددة، أو على أنظمة "شاملة" ضخمة تتطلب الوصول إلى كل نوع من أنواع المشكلات في وقت واحد للتعلم. ولا ينجح أي من النهجين عندما يتعين على النظام التعلم بشكل تسلسلي، حيث يواجه تحديات جديدة واحدًا تلو الآخر مع الحفاظ على مهاراته القديمة سليمة.
لقد طور باحثون في معهد روتشستر للتكنولوجيا طريقة جديدة تسمى "الترميم دون نسيان" لحل هذه المشكلة تحديدًا. فبدلاً من تدريب شبكة ضخمة جديدة لكل نوع جديد من تلف الصور، أو محاولة حشر كل التعلم في نموذج واحد عملاق يصاب بالارتباك في النهاية، بنوا نظامًا يتعلم التكيف دون فقدان ماضيه. جوهر نهجهم هو شبكة "عمود فقري" مدربة مسبقًا، وهي جيدة جدًا بالفعل في رؤية الصور النظيفة. هذه الشبكة (العمود الفقري) مجمدة، مما يعني أن إعداداتها الداخلية مغلقة ولا تتغير أبدًا. عندما يواجه النظام نوعًا جديدًا من التدهور، مثل المطر أو الضباب، فإنه لا يعيد تدريب "الدماغ" بأكمله؛ بل يقوم بإرفاق وحدة إضافية صغيرة وخفيفة الوزن مصممة خصيصًا للتعامل مع هذا الشرط الجديد. تتعلم هذه الوحدة الإضافية فقط الأنماط المحددة للمشكلة الجديدة، مما يترك المعرفة الأصلية للعمود الفقري والوحدات الإضافية السابقة دون تغيير تمامًا. ولأن كل مهارة جديدة تحصل على مساحتها المخصصة والمعزولة، فإن النظام لا يمسح أبدًا ما تعلمه من قبل.
ولجعل هذا يعمل في العالم الحقيقي، حيث لا يعرف الكمبيوتر نوع التلف الذي ينظر إليه، أضاف الباحثون آلية توجيه ذكية. فعندما تصل صورة جديدة تالفة، يقوم النظام بمسحها سريعًا لإنشاء "توقيع" بسيط بناءً على القرائن البصرية. ثم يقارن هذا التوقيع بمكتبة صغيرة من الأمثلة المخزنة لكل نوع من أنواع التدهور المعروفة. وبناءً على المثال الذي يتطابق معه الأكثر، يختار النظام تلقائيًا الوحدة الإضافية الصحيحة لإصلاح الصورة. يحدث هذا دون أن يخبر أي إنسان النظام بنوع المشكلة. اختبر الباحثون هذا على تسلسل من خمس مشكلات صور مختلفة: الضجيج، وضبابية الحركة، والمطر، والضباب، وظروف الإضاءة المنخفضة. ووجدوا أن الطريقة القياسية المتمثلة في مجرد إعادة تدريب الشبكة على بيانات جديدة تسببت في جعل النظام ينسى المهارات السابقة لدرجة أن أدائه في المهام السابقة انخفض بأكثر من 15 نقطة على مقييس جودة قياسي. وفي المقابل، حافظت طريقتهم الجديدة على أداء عالٍ عبر جميع المهام الخمس، مما قضى فعليًا على مشكلة النسيان تمامًا.
كما أظهرت الدراسة أن هذا النهج يعمل على صور حقيقية، وليس فقط صور اصطناعية تم إنشاؤها في المختبر. اختبر الفريق نظامهم على أحد عشر مجموعة بيانات مختلفة من العالم الحقيقي تحتوي على آلاف الصور التي بها ضباب طبيعي، ومطر، وغيرها من العيوب. حدد النظام بشكل صحيح أداة الإصلاح المناسبة لما يقرب من 90 بالمائة من الصور، وكانت جودة الصورة النهائية جيدة تقريبًا كما لو كان إنسان قد أخبر النظام بالضبط بالمشكلة التي يواجهها. وهذا يشير إلى أن النظام يمكنه تعميم تعلمه على محتوى جديد لم يره من قبل طالما أن نوع التلف مشابه لما رآه من قبل. ويرى الباحثون أن هذه خطوة كبيرة للأمام لأنها تؤسس طريقة عملية لأنظمة ترميم الصور لتنمو وتتكيف بمرور الوقت دون الحاجة إلى تخزين كميات هائلة من البيانات القديمة أو إعادة التدريب من الصفر. ومن خلال عزل تعلم المهارات الجديدة عن المعرفة الأساسية للنظام، فقد أنشأوا إطارًا يسم يسمح للذكاء الاصطناعي بتراكم القدرات بشكل تسلسلي، تمامًا مثل الإنسان الذي يتعلم مهارات جديدة دون نسيان المهارات القديمة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.