في عصر تتطور فيه تقنيات تحسين الصور بشكل مستمر، ظهرت الحاجة إلى نظام موثوق لرصد anomalies المرئية في المحتوى الذي يُنشئه المستخدمون (UGC). وبينما يساهم تحسين الصور في تعزيز تجربة المستخدم، إلا أنه قد يُدخل أيضًا anomalies قد تؤثر سلبًا على ثقة المشاهدين وجودة المحتوى.

استجابة لهذا التحدي، تم تعريف مهمة جديدة تُسمى رصد anomalies في تحسين الصور (Anomaly Perception for UGC image Enhancement - UEAP) وقد قُدمت قاعدة بيانات جديدة تُعرف بـ UEAP-4k. هذه القاعدة مصممة لتوفير ملاحظات دقيقة حول أنواع anomalies، مواقعها، ومستويات شدتها.

بالإضافة إلى ذلك، تم اقتراح طريقة مبتكرة تدعى طريقة رصد الفروق التفاعلية (Difference-Fusion Anomaly Perception Method - DFAP-UGC) المصممة لتجاوز التحديات المرتبطة بالصور المعززة من قبل المستخدمين. هذه الطريقة تعتمد على دمج الفروق بين المشكلات والرصد الدقيق، مما يسهل معرفة anomalies حتى في الظروف الصعبة.

ومع الأخذ بعين الاعتبار التداخل بين مهام الرصد المختلفة، تم تطوير استراتيجية لتدريب ديناميكي تَعرف بـ Locality-Aware Dynamic Task Prioritization (LADTP) لتمكين التعلم الفعال من النهاية إلى النهاية.

نتائج التجارب العملية أظهرت أن طريقة DFAP-UGC تتفوق على الأساليب التقليدية، مما يُبرز قيمة قاعدة بيانات UEAP-4k وكفاءة الطريقة الجديدة في رصد anomalies في الصور المعززة. سيتم طرح الشيفرة والبيانات للاستخدام العام، مما يفتح آفاق جديدة في عالم تحسين الصور.