في مجال الذكاء الاصطناعي، ظهرت تحديات جديدة تتطلب ابتكارات مبتكرة. وفي هذا السياق، تم اقتراح طريقة جديدة تمنحنا القدرة على توسيع نطاق استخدام مقدرات العمق أحادية العين (FMDEs) لتتناسب مع الصور الملتقطة بواسطة كاميرات السمكة. هذه الكاميرات، التي تتميز بزاوية رؤيتها الواسعة، تتطلب نهجاً مختلفاً لضمان دقة تقديرات العمق.

رغم تدريب FMDEs على ملايين الصور، إلا أن تغيير المعايرة (Calibration) في الكاميرا يمكن أن يؤدي إلى تقديرات عمق خاطئة بسبب التغيرات في المعلمات الداخلية والتشويه. ومع ذلك، تسمح الطريقة الجديدة بمطابقة توزيعات البيانات لمعادلات معالجة الصور، مما يمكننا من إعادة استخدام هذه النماذج دون الحاجة إلى إعادة تدريبها أو ضبطها.

للوصول إلى هذا الهدف، تم تقديم ما يعرف بـ "رموز المعايرة" كآلية خفيفة لتعديل البيانات الداخلة، مما يسهل التنسيق بين الصور الملتقطة بواسطة كاميرات السمكة والصور التقليدية. تعتمد هذه الطريقة على استغلال الفضاء الكامن (Latent Space) التعبيري لمقدرات العمق، مما يضمن عدم التأثر بالعوامل السلبية التي قد تطرأ عند إعادة المعايرة التقليدية.

تتميز هذه الطريقة بأنها ذاتية الإشراف، ولا تتطلب من المستخدمين توفر صور كاميرات السمكة، بل تستفيد من مجموعات بيانات الصور التقليدية المتاحة للجمهور. وبهذا، يتم إعادة معايير الصور التقليدية لملاءمتها مع صور كاميرات السمكة، مع فرض اتساق بين تقديراتهم خلال عملية التدريب.

على صعيد النتائج، تم تقييم هذه الطريقة مع عدة FMDEs، حيث أثبتت فعالية عالية في تحسين دقة تقديرات العمق في البيئات الداخلية والخارجية. أصبحت هذه الرموز متميزة باستخدام مجموعة واحدة من الرموز لكل من الصور التقليدية وصور كاميرات السمكة، مما أحدث ثورة في تطبيقات الرؤية الحاسوبية.

لمعرفة المزيد حول هذه البحث والاطلاع على الأكواد المتاحة، يمكنك زيارة الروابط التالية: رابط الأكواد 1 ورابط الأكواد 2.