💻 computer science

GeoDiffusion:Enhancing Self-Supervised Monocular Depth Estimation in Dynamic Scenes

يعزز إطار عمل GeoDiffusion تقدير العمق أحادي العين ذاتي الإشراف في المشاهد الديناميكية من خلال الاستفادة من نموذج انتشار تم تدريبه على تسميات شبه حقيقية منقحة للتغلب على عدم الاتساق الضوئي الناتج عن الحركة والانسداد، محققاً دقة عالية في اختبارات معيارية مثل Cityscapes وKITTI دون الحاجة إلى عمق حقيقي أثناء الاستدلال.

المؤلفون الأصليون: Fang Dai, Chengzhi Lyu, Hong He, Pan Wang, Lei Zhang

نُشر 2026-10-01

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Fang Dai, Chengzhi Lyu, Hong He, Pan Wang, Lei Zhang

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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

لكي تتمكن المركبة من التنقل في العالم، يجب ألا تكتفي بفهم ما هو موجود أمامها فحسب، بل يجب أن تعرف أيضاً مدى بعد تلك الأشياء عنها. لعقود من الزمن، اعتمد المهندسون على ماسحات ليزر باهظة الثمن أو أزواج من الكاميرات لبناء هذه الخريطة ثلاثية الأبعاد، تماماً كما تعمل العينان البشريتان معاً لتقدير المسافة. ومع ذلك، فإن هذه الأدوات ثقيلة، ومكلفة، وصعبة المعايرة. وثمة بديل أكثر مرونة موجود بالفعل: استخدام كاميرا قياسية واحدة، من النوع الموجود في معظم الهواتف الذكية، لتخمين عمق المشهد. يُعرف هذا بتقدير العمق أحادي العدسة (monocular depth estimation). وبينما تجيد الحواسيب القيام بذلك عندما تنظر إلى غرفة هادئة وساكنة، إلا أنها تعاني بشدة عندما يكون العالم في حالة حركة. ففي شارع مزدحم، تمر السيارات، ويعبر المشاة الطريق، وتكون الكاميرا نفسها في حالة حركة. هذه التغييرات تكسر القواعد الرياضية التي تستخدمها الحواسيب عادةً لتحديد المسافة، مما يتسبب في رؤية النظام لـ "أشباح" أو تفويته للعوائق تماماً.

قام فريق من الباحثين من جامعة هوبي لتكنولوجيا السيارات بتطوير نهج جديد لحل هذه المشكلة المحددة المتعلقة بالحركة. لقد ابتكروا نظاماً يسمى "GeoDiffusion"، والذي يعلم الكمبيوتر تقدير العمق في المشاهد الديناميكية المتحركة دون الحاجة إلى توفير إجابات صحيحة من قبل البشر. وبدلاً من الاعتماد على البيانات المصنفة مسبقاً، والتي تعد مكلفة ويصعب جمعها، يتعلم النظام من خلال مشاهدة الفيديو وتصحيح أخطائه بنفسه. وتتضمن الفكرة الجوهرية عملية من خطوتين حيث يقوم نموذج "المعلم" أولاً بوضع تخمين تقريبي لعمق المشهد. ثم يتم تنقية هذا التخمين بواسطة نموذج "الطالب" الذي يستخدم تقنية تسمى "الانتشار" (diffusion). وببساطة، الانتشار هو طريقة يبدأ فيها الكمبيوتر بنسخة مشوشة وضبابية من خريطة العمق، ثم يقوم تدريجياً بإزالة الضجيج، خطوة بخوة، للكشف عن صورة واضحة ودقيقة. وتتم عملية التوجيه هذه بناءً على تخمين المعلم الأولي والتفاصيل البصرية للمشهد نفسه.

اختبر الباحثون طريقتهم على مجموعتي بيانات رئيسيتين مستخدمتين في مجتمع القيادة الذاتية: "Cityscapes"، التي تتميز بحركة المرور الحضرية المعقدة، و"KITTI"، وهي مجموعة من لقطات القيادة من ألمانيا. وفي هذه الاختبارات، أثبت نظام "GeoDiffusion" أنه أكثر دقة من الطرق السابقة التي لم تستخدم تقنية الانتشار هذه. ففي مجموعة بيانات "Cityscapes"، قلل النظام الخطأ في تقدير العمق إلى مستوى 0.105، متفوقاً على أفضل طريقة تالية والتي كانت عند 0.115. أما في مجموعة بيانات "KITTI"، فقد كان التحسن أكثر وضوحاً، حيث حقق النظام الجديد معدل خطأ قدره 0.090 مقارنة بـ 0.096 للبديل الرائد. وتمثل هذه الأرقام متوسط الفرق بين تخمين الكمبيوتر والمسافة الفعلية، مما يعني أن الرقم الأقل يشير إلى رؤية أكثر حدة وموثوقية. كما نجح النظام في الحفاظ على صغر حجم النموذج، حيث يحتوي على حوالي 7.6 مليون معلمة (parameter)، وهو أقل من العديد من النماذج المنافسة، مما يسمح له بالعمل بسرعة على الأجهزة القياسية.

إن ما يجعل هذا العمل مهماً بشكل خاص هو كيفية تعامله مع فوضى العالم الحقيقي. فغالباً ما تفترض الطرق التقليدية أن العالم ثابت، أو تتطلب من الكمبيوتر تحديد الأجسام المتحركة بشكل منفصل باستخدام تسميات دلالية معقدة. لكن "GeoDiffusion" يتجاوز هذه الحاجة؛ فهو يستخدم فحص الاتساق لتحديد الأجزاء من الصورة التي تتحرك أو غير الموثوقة، مثل سيارة مسرعة أو انعكاس على طريق مبلل، ويتجاهل تلك المناطق عند التعلم. ثم يركز على الأجزاء المستقرة من المشهد لصقل فهمه للعمق. ومن خلال الجمع بين هذا التركيز الانتقائي وعملية الصقل خطوة بخطوة للانتشار، يتعلم النظام الرؤية من خلال تشويش الحركة وتغير الضوء. والنتيجة هي خريطة عمق تظل مستقرة حتى عندما تهتز الكاميرا أو تندفع الأجسام بجانبها.

تؤكد الدراسة أن هذا النهج يعمل بشكل جيد في الممارسة العملية، لكن المؤلفين يشيرون إلى أنه لا يخلو من القيود. يعتمد النظام على نموذج "المعلم" الأولي لتوليد تخميناته المبدئية، مما يعني أنه إذا كان المعلم منحازاً أو ارتكب خطأً في ظروف جوية صعبة للغاية، فقد يتعلم "الطالب" من ذلك الخطأ. ويقترح الباحثون أن العمل المستقبلي سيركز على جعل النظام أكثر قوة ضد الظروف الجوية القاسية وتقليل اعتماده على هذه التخمينات الأولية. ومع ذلك، بالنسبة الآن، تظهر النتائج مساراً واضحاً للمستقبل. فمن خلال تعليم الحواسيب كيفية تنقية ملاحظاتها المشوشة بنفسها، بدلاً من مجرد حفظ الإجابات الصحيحة، يمكننا بناء مركبات ترى الطريق بوضوح أكبر، حتى عندما يكون العالم من حولها في حركة مستمرة.

ملخص تقني: GeoDiffusion

بيان المشكلة

يعد تقدير العمق أحادي العين (Monocular Depth Estimation) أمراً بالغ الأهمية لمهام القيادة الذاتية مثل تخطيط المسار وكشف العوائق. وبينما تعد الطرق التقليدية مثل ليدار (LiDAR) والكاميرات الستيريو دقيقة، إلا أنها غالباً ما تكون مكلفة أو تتطلب معايرة معقدة. يوفر تقدير العمق أحادي العين ذاتي الإشراف بديلاً فعالاً من حيث التكلفة من خلال الاستفية من الاتساق الضوئي دون الحاجة إلى تسميات عمق حقيقية (Ground-truth). ومع ذلك، فإن النهج الحالية ذاتية الإشراف تفترض في الغالب بيئات ثابتة. وفي المشاهد الديناميكية الواقعية — التي تتميز بالأجسام المتحركة، وضبابية الحركة، والانسداد، والتغيرات السريعة في الإضاءة — يفشل هذا الافتراض. هذه العوامل تخل بالاتساق الضوئي، مما يؤدي إلى تقدير غير دقيق للوضعية (Pose) وتنبؤات متدهورة للعمق. وتعتمد المحاولات السابقة لمعالجة الديناميكيات على مهام مساعدة مثل التجزئة الدلالية (Semantic Segmentation) أو تجزئة الحركة، والتي تتطلب إما تسميات مكلفة أو نمذجة دقيقة للمسارات، مما يحد من عمليتها.

المنهجية

يقترح المؤلفون GeoDiffusion، وهو إطار عمل ذاتي الإشراف يدمج نماذج الانتشار (Diffusion Models) لتعزيز تقدير العمق في مشاهد القيادة الديناميكية. تتكون البنية من نموذج معلم-طالب (Teacher-Student) وعملية انتشار شرطية:

بناء العمق الزائف القوي (Robust Pseudo-Depth Construction):
- يعمل نموذج Lite-Mono-8M مدرب مسبقاً كـ "معلم" لتوليد خرائط عمق زيفة متعددة المقاييس.
- تقوم وحدة الاتساق متعددة الرؤى بتصفية هذه الخرائط عبر إعادة إسقاط العمق عبر الإطارات. يتم تحديد البكسلات ذات التباين العالي (التي تشير إلى الحركة، أو الانسداد، أو الانعكاسات المرآتية) كغير متسقة واستبعادها. يؤدي هذا إلى إنشاء تسميات "عمق زائف" موثوقة للتدريب دون الحاجة إلى تسميات يدوية.
انتشار العمق الشرطي (شبكة الطالب - Conditional Depth Diffusion):
- تقوم شبكة الطالب بأداء مهمة تقدير العمق كعملية إزالة ضجيج تكرارية.
- الانتشار الأمامي (Forward Diffusion): يتم إضافة الضجيج تدريجياً إلى خريطة العمق.
- الانتشار العكسي (Reverse Diffusion): تتنبأ شبكة الطالب بخريطة العمق لإطار مستهدف من خلال إزالة الضجيج في مراحل منفصلة ( $T$ $T$ ). تتم توجيه هذه العملية بواسطة:
  - ميزات الصورة متعددة المقاييس: المستخرجة بواسطة مشفر Lite-Mono DepthNet.
  - الأولويات التمييزية (Discriminative Priors): تعمل تنبؤات المعلم للعمق ( $D_{teacher}$ ) كمدخلات شرطية لتوجيه مسار إزالة الضجيج، مما يضمن الاتساق الهندسي والدقة الهيكلية.
- يستخدم الطالب متنبئ ضجيج مدمج يوازن بين الميزات متعددة المقاييس عبر أوزان انتباه قابلة للتعلم.
تقدير الوضعية (Pose Estimation):
- تقوم وحدة منفصلة، تستخدم مشفر ResNet-18 مدرب مسبقاً ومفكك شفرة (Decoder) مكون من أربع طبقات تلافيفية، بالتنبؤ بالوضعية النسبية (6-DOF) بين الإطارات المتتالية.
هدف التدريب (Training Objective):
يتم تدريب النموذج باستخدام مجموع مرجح من ثلاث دوال خسارة:
- خسارة الاتساق الضوئي ( $L_{ph}$ ): تقيس الفرق بين الإطار المستهدف المصنع والإطار المستهدف الفعلي باستخدام خسارة SSIM و $L_1$ .
- خسارة تقطير المعرفة ( $L_{KD}$ ): توجه الطالب للتماشي مع العمق الزائف الموثوق من المعلم، والمصفى بواسطة قناع الاتساق.
- خسارة DDIM ( $L_{DDIM}$ ): تفرض التماسك بين تنبؤات الطالب ومسار الانتشار المقصود لضمان الاستقرار.

أثناء الاستنتاج (Inference)، يتم التخلص من نموذج المعلم والشبكات المساعدة؛ ويُستخدم فقط نموذج الطالب خفيف الوزن.

المساهمات الرئيسية

إطار عمل GeoDiffusion: إطار عمل جديد لتقدير العمق أحادي العين ذاتي الإشراف يستخدم نماذج الانتشار لتقليل الأخطاء خصيصاً في المشاهد الديناميكية.
توليد التسميات الزائفة القوية: طريقة لتوليد إشراف بدون تسميات يدوية من خلال الجمع بين نموذج معلم مدرب مسبقاً والتحقق من الاتساق متعدد الرؤى لتصفية المناطق غير الموثوقة الناتجة عن الحركة والانسداد.
حقن الأولويات التمييزية: تقديم وحدة تقوم بحقن العمق المستمد من المعلم كأولوية تمييزية أثناء عملية الانتشار، مما يحسن الدقة الهندسية والهيكلية.
أداء رائد (State-of-the-Art): يحقق الأسلوب دقة وكفاءة فائقة في المعايير القياسية دون الاعتماد على تسميات التجزئة الدلالية أو الحركة.

النتائج التجريبية

قيم المؤلفون GeoDiffusion على مجموعتي بيانات Cityscapes و KITTI، مقارنةً بطرق رائدة أخرى مثل Monodepth2 و RA-Depth و DNA-Depth.

Cityscapes: حقق GeoDiffusion نسبة خطأ مطلق (AbsRel) قدرها 0.105، وخطأ تربيعي (SqRel) قدره 0.905، وجذر متوسط مربع الخطأ (RMSE) قدره 5.750، متفوقاً على النماذج السابقة ذاتية الإشراف (على سبيل المثال، حقق RA-Depth نسبة AbsRel قدرها 0.111 و RMSE قدره 5.791). أظهرت النتائج النوعية دقة محسنة للأجسام الديناميكية.
KITTI: حققت الطريقة نسبة AbsRel قدرها 0.090، وSqRel قدرها 0.609، وRMSE قدرها 4.180، متجاوزة الطرق الرائدة مثل RA-Depth (الذي سجل AbsRel 0.096 و RMSE 4.216).
الكفاءة: يحتوي النموذج على حوالي 7.6 مليون معلمة، وهو أكثر إيجازاً من RA-Depth (9.98 مليون) و Monodepth2 (14.3 مليون). تبلغ سرعة الاستنتاج على بطاقة RTX 3090 حوالي 9.2 مللي ثانية لكل إطار، مما يشير إلى ملاءمته للتطبيقات في الوقت الفعلي.
دراسات الاستئصال (Ablation Studies): أكدت التجارب أن دمج بناء العمق الزائف القوي (RPC)، وتعزيز الأولوية التمييزية (DPE)، وتقطير المعرفة ( $L_{KD}$ )، والخسارة الضوئية ( $L_{PH}$ ) يحسن الأداء بشكل منهجي، حيث حقق النموذج الكامل أفضل المقاييس.

الأهمية والادعاءات

يزعم البحث أن GeoDiffusion يعالج بنجاح قيود تقدير العمق ذاتي الإشراف في البيئات الديناميكية من خلال الاستفيد من القدرات التوليدية وإزالة الضجيج لنماذج الانتشار. ومن خلال استخدام نهج تقطير المعلم-الطالب مع تصفية الاتساق متعدد الرؤى، يحقق الإطار دقة عالية دون الحاجة إلى تسميات عمق حقيقية مكلفة أو تسميات دلالية/حركية مساعدة.

يضع المؤلفون GeoDiffusion كخطوة هامة للأمام في الإدراك ثلاثي الأبعاد للقيادة الذاتية، حيث يقدم توازناً بين الدقة العالية، والمتانة الهيكلية، والكفاءة الحسابية. ومع ذلك، يقر البحث بتواضع بوجود بعض القيود: فالاعتماد على الحقائق الزائفة من معلم مدرب مسبقاً قد يؤدي إلى تحيزات في ظروف الإضاءة أو الطقس الصعبة، مما قد يؤثر على التعميم. وقد اقتُرح عمل مستقبلي للتركيز على تقليل هذا الاعتماد وتحسين المتانة تجاه الأجسام الدينامية.