Degradation-Aware Dynamic Frequency Routing for Underwater Image Enhancement

في أعماق السطح، يعد المحيط مكاناً يتصرف فيه الضوء بشكل مختلف عما هو عليه على اليابسة. فبينما ينتقل ضوء الشمس عبر الماء، يعمل الماء كمرشح، حيث يسرق ألواناً معينة بينما يشتت أخرى، تاركاً العالم في الأسفل في غشاوة ضبابية تميل إلى اللون الأخضر المزرق. هذه العملية الطبيعية، بالإضافة إلى التوهج غير المتساوي للأضواء الاصطناعية التي يستخدمها الغواصون والروبوتات، تخلق صوراً غالباً ما تكون مشوهة، باهتة، وتفتقر إلى التفاصيل الدقيقة. وبالنسبة للعلماء الذين يدرسون الحياة البحرية أو المهندسين الذين يوجهون الآلات تحت الماء، فإن الرؤية بوضوح ليست مجرد مسألة جمالية؛ بل هي ضرورة للسلامة والاكتشاف. ولإصلاح هذه الصور، حاول الباحثون لفترة طويلة تطبيق قواعد قياسية لتصحيح الألوان أو تعزيز التباين، تماماً مثل ضبط الإعدادات في الكاميرا. ومع ذلك، فإن المحيط معقد للغاية بحيث لا يمكن لقاعدة واحدة ثابتة أن تنجح في كل مكان. فالتقنية التي تصلح صورة غائمة قلياً قد تفسد صورة واضحة، أو الطريقة التي تزيد من حدة جسم بعيد قد تؤدي إلى طمس شعاب مرجانية قريبة. ويكمن التحدي في إنشاء نظام يمكنه النظر إلى مشهد محدد تحت الماء، وفهم ما هو الخطأ فيه بالضبط، ثم تطبيق إصلاح مخصص مصمم خصيصاً لتلك اللحظة الفريدة.

في دراسة حديثة، اقترح باحثون من جامعة داليان المتعددة التقنيات نهجاً جديداً لهذه المشكلة، مبتعدين عن الحلول الجامدة التي تناسب الجميع. فقد طوروا نظاماً يسمى DAFR-UIE، وهو اختصار لـ "التوجيه الترددي الديناميكي المدرك للتدهور لتحسين الصور تحت الماء". وبدلاً من إجبار كل صورة على المرور عبر نفس مجموعة خطوات المعالجة، يعمل هذا النظام كدليل ذكي يقرر، لكل صورة على حدة، أي الأجزاء تحتاج إلى أكبر قدر من الاهتمام. الفكرة الجوهرية هي أن الأنواع المختلفة من الأضرار تحت الماء تتطلب أنواعاً مختلفة من الإصلاحات. فبعض الصور تعاني أساساً من فقدان اللون، بينما تكون أخرى مشوشة بسبب الجسيمات في الماء أو تفتقر إلى الملمس الدقيق. يقوم النظام الجديد بتحليل الصورة الواردة للكشف عن هذه المشكلات المحددة، ثم يقوم بتوجيه المعلومات ديناميكياً عبر مسارات مختلفة مصممة للتعامل معها. فهو يفصل الصورة إلى مكوناتها الأساسية — الألوان الواسعة، الأشكال متوسطة المدى، والتفاصيل الصغيرة — ثم يقرر مقدار الجهد الذي يجب بذله لإصلاح كل منها بناءً على ما تحتاجه الصورة بالفعل.

بنى الباحثون نظامهم حول "دماغ" مركزي يخلق فهماً مشتركاً لحالة الصورة. هذا الفهم المشترك يسمح لثلاث أدوات مختلفة بالعمل معاً في انسجام. أولاً، تقوم آلية التوجيه بتوجيه مكونات التردد في الصورة، وهي تحدد جوهرياً ما إذا كان ينبغي التركيز على استعادة الألوان الواسعة أو زيادة حدة الحواف الدقيقة. ثانياً، تحدد خريطة مكانية بدقة أين يشتد الضرر في الصورة، مما يسمح للنظام بتطبيق تصحيحات أقوى في المناطق المظلمة أو العكرة مع ترك المناطق الواضحة كما هي. ثالثاً، تقوم بوابة الدمج بخلط هذه التصحيحات المختلفة معاً بسلاسة. ومن خلال ربط هذه الأدوات الثلاث بتقييم واحد لجودة الصورة، يتجنب النظام التخمين الذي يعيب الطرق القديمة. فهو لا يعتمد على صيغة محددة مسبقاً، بل يتعلم التكيف مع استراتيجيته لكل إطار يعالجه.

لاختبار ما إذا كان هذا النهج قد نجح، قام الفريق بتدريب نظامهم على آلاف الصور المزدوجة، حيث عرضت له كل من المنظر المتدهور تحت الماء والنسخة الواضحة والصحيحة. ثم تحدوا النظام بمجموعتي بيانات كبيرتين تحتويان على آلاف الصور الحقيقية تحت الماء. كانت النتائج مذهلة. ففي إحدى مجموعات البيانات الكبيرة، حقق النظام درجة تشابه هيكلي بلغت 0.959، وهي مقياس لمدى قرب الصورة المستعادة من المشهد الأصلي الواضح، ونسبة إشارة إلى الضجيج بلغت 27.11 ديسيبل. وفي معيار آخر، أنتج النظام صوراً بدرجة تشابه هيكلي بلغت 0.897 ونسبة إشارة إلى الضجيج بلغت 23.69 ديسيبل. ولعل الأهم من ذلك، أن النظام تمكن من تحقيق هذه النتائج عالية الجودة بعدد صغير جداً من المعلمات الداخلية، والتي بلغ مجموعها 2.02 مليون فقط. وتعني هذه الكفاءة أن النظام خفيف الوزن بما يكفي ليعمل محتملاً على أجهزة الكمبيوتر الخاصة بالروبوتات تحت الماء دون الحاجة إلى أجهزة ضخمة ومستهلكة للطاقة.

ذهب الباحثون إلى أبعد من ذلك لفهم سبب نجاح نظامهم. فقد أجروا سلسلة من التجاروهات حيث قاموا بتعطيل أجزاء من النظام عمداً ليروا ماذا سيحدث. وعندما أزالوا القدرة على تحليل تدهور الصورة المحدد، انخفضت جودة الصور المستعادة بشكل كبير، مما أثبت أن قدرة النظام على "قراءة" المشهد هي الميزة الأكثر قيمة لديه. كما اختبروا ما سيحدث إذا أجبروا النظام على معاملة كل صورة بنفس الطريقة، متجاهلين تحليله الخاص. في هذه الحالات، انخفض الأداء بشكل حاد، مما أكد أن النهج الثابت هو بالفعل أدنى مستوى من النهج الديناميكي. وأظهرت الدراسة أن النظام تعلم بشكل طبيعي التركيز على التفاصيل منخفضة التردد، مثل اللون والسطوع، للصور ذات التدرجات اللونية الثقيلة، بينما حول انتباهه إلى التفاصيل عالية التردد، مثل الحواف والملمس، للصور التي كانت ببساطة مشوشة.

كما فحص الفريق مدى قدرة النظام على التعامل مع الحالات الأكثر صعوبة، مثل الصور ذات التشوه الشديد أو الظلام الشديد. في هذه السيناريوهات الصعبة، أصبحت قدرة النظام على التكيف أكثر أهمية. فعندما نظر الباحثون في الخرائط الداخلية التي أنشأها النظام، رأوا أنه حدد بشكل صحيح الأجزاء الأكثر ظلاماً وتضرراً في الصورة وطبق أقوى التصحيحات هناك. هذا الانتباه الموضعي منع النظام من الإفراط في تصحيح المناطق التي كانت واضحة بالفعل، وهو خطأ شائع في الطرق القديمة التي تؤدي غالباً إلى نتائج تبدو غير طبيعية. كما أظهر النظام قدرة مثيرة للإعجاب على التعميم، مما يعني أنه يمكنه أخذ صور لم يرها من قبل من بيئات مختلفة تحت الماء ومع ذلك ينتج ترميماً عالي الجودة دون الحاجة إلى إعادة تدريبه.

في النهاية، يشير هذا العمل إلى أن مستقبل تحسين الصور تحت الماء يكمن في المرونة بدلاً من الجمود. فمن خلال إنشاء نظام يمكنه تخصيص موارده ديناميكياً بناءً على الاحتياجات المحددة لكل صورة، ابتكر الباحثون أداة قوية وفعالة في آن واحد. وتشير النتائج إلى أن معاملة ترميم الصور كمسألة تخصيص ذكي للموارد، بدلاً من كونها مجموعة ثابتة من القواعد، تؤدي إلى نتائج أفضل بكثير. وبينما لا يزال النظام يمتلك بعض القيود، مثل الحدود الثابتة لكيفية فصل تفاصيل الصورة، فإن الدراسة توفر أساساً قوياً للتطورات المستقبلية. وهي تظهر أنه مع نوع الذكاء التكيفي الصحيح، يمكننا إعادة العالم المخفي والملون للمحيطات إلى التركيز الحاد، صورة تلو الأخرى.