نموذج متقدم لتمثيلات منظارية متسقة هندسياً لنظام الملاحة المعتمد على الصور!

تعتبر الملاحة المعتمدة على الرؤية في المناظير أحادية العدسة تحديًا معقدًا بسبب عدة عوامل، منها عدم وجود مؤشرات عمق كافية، والملمس الضعيف للأنسجة، والتشوهات غير الصلبة، وتباين المظهر الكبير عبر المجالات المختلفة. هذه العوامل تعيق عمليات تقدير الاتجاه (pose estimation)، وتوقع العمق (depth prediction)، ومحاذاة الصور مع التشريح (image-to-anatomy alignment).

على الرغم من أن النماذج القائمة على الرؤية أظهرت وعودًا في معالجة هذه التحديات، إلا أن التمثيلات التي تم تعلمها غالبًا ما تكون غير متسقة هندسياً، مما يحد من قدرتها على توفير نتائج موثوقة. وفي هذا السياق، يقدم البحث الحالي إطارًا موحدًا لتعلم تمثيلات الصور المتسقة هندسيًا والتي تتسم بالمتانة عبر المجالات، والتي تسهم في تحسين الملاحة في منظار الأحادية.

يجمع هذا الإطار بين خطوط بيانات صناعية توفر إشرافًا هندسيًا دقيقًا مع تكيف هرمية مدركة للجوانب الهندسية (Hierarchy-Aware Geometry-Semantic Adaptation). تعتبر هذه الطريقة بديلة منظمة للنهج التقليدي (LoRA) الذي يقوم بإدراج المحولات المنخفضة الرتبة بصورة انتقائية عبر هيكل المحولات، مما يربطها بأهداف تدريب طبقية بهدف تعزيز التوافق الهندسي في الميزات الوسيطة والتناسق الدلالي في الميزات الأعمق.

أظهرت التجارب على مجموعات بيانات عامة وخاصة تحسينًا في جودة التمثيلات الهندسية والدلالية، مما أدى إلى أداء أفضل في مهام الملاحة اللاحقة كمثل تقدير الاتجاه وتقدير العمق أحادي العدسة. كما أظهرت التمثيلات المتعلمة قدرة على الانتقال الإيجابي من البيانات الصناعية إلى الحقيقية، مما يدعم تكييف التطبيق العملي في إجراءات التنظير القصبي، ويعتبر نقطة انطلاق مفيدة للتكيف مع المناظير الجيبية والقولوني قبل الحاجة إلى إشراف محدود.

تظهر هذه النتائج أن التكيف المدرك للهندسة والتوجيه الهندسي يمثل نهجًا عمليًا لتعلم تمثيلات المناظير، مما يسهم في تعزيز التجارب السريرية.