في عالم معالجة الصور وتطبيقات الذكاء الاصطناعي، تظل الحاجة إلى تحسين أداء الشبكات العصبية في معالجة البيانات الرؤيوية أمرًا بالغ الأهمية. وقد شهدنا مؤخراً ابتكارًا جديدًا يبرز كمعلم في هذا المجال، وهو تقنية Core-KAN (Continuous Relative-scale KAN) التي تستند إلى الشبكات كولموغوروف-أرنولد (Kolmogorov-Arnold Networks).

تُعرف النماذج التقليدية في معالجة الصور باستخدام كيرنلات (kernels) تستند إلى شبكات ثابتة، مما يقيّد قدرتها على التكيف مع الهياكل المحلية المتعددة. بينما تعمل بعض الطرق التكيفية على تحسين المرونة، فإنها غالبًا ما تكلف الكثير في الحسابات بسبب توليد الكيرنلات لكل موقع في الصورة.

تتيح تقنية Core-KAN فصل التكيف الهندسي للمقاييس عن الفلترة المعتمدة على المحتوى، مما يمنح المستخدمين القدرة على معالجة الصور بكفاءة عالية. كيف؟ من خلال تحويل الميزات المدخلة إلى فضاء أساسي مضغوط واستخدام متحكم مقاييس مبتكر للتنبؤ بالمقاييس المحلية. يتمثل الابتكار الرئيسي في استخدام مولد يعتمد على KAN يمكّن من تمثيل القواعد كسلسلة دالة مستمرة، مما يتيح للنموذج توليد فلاتر مكانية بدقة غير محدودة.

وبدلاً من إنشاء كيرنلات مستقلة لكل موقع، تعتمد Core-KAN على إنشاء بنك مدمج من استجابات الكيرنلات المشروطة بالمقياس وتفسيرها وفقًا لخريطة المقاييس المحلية المتوقعة. بالإضافة إلى ذلك، يتم التحكم المستقل في الدمج، مما يضمن تفكيك صريح بين التكيف الهندسي وتصفية المحتوى.

أثبتت التجارب عبر ثلاث مهام رؤيوية تمثيلية أن Core-KAN يتجاوز باستمرار المعايير السابقة من حيث الأداء، مع هامش منخفض جدًا من التكلفة الإضافية. يعد ذلك إطار عمل فعالاً عامًا للتواصل المعياري القابل للتكيف مع المقاييس بشكل مستمر، مما يمثل خطوة كبيرة إلى الأمام في مجال معالجة الصور.