في عالم تقنية الذكاء الاصطناعي، حيث تضاف تحسينات جديدة باستمرار، تظهر الحاجة إلى تقنيات قادرة على معالجة الصور المعقدة بشكل فعّال. لقد تم مؤخراً تقديم HiCo-GS (Hi-co Hierarchical Context Aggregation) كنموذج مبتكر يُعزز جودة تمثيل الصور المعمارية باستخدام تقنيات متقدمة.

يعتمد HiCo-GS على تقنية Gaussian Splatting المعتمدة على هيكل octree، مما يسمح بتوليد صور ذات جودة عالية حتى على نطاق المدن الكبيرة. هذه الطريقة تعتمد على عدد من المسامير متعددة المستويات التي تُمكن من التقاط تفاصيل المشهد المختلفة، بدءًا من الهياكل الضخمة إلى تفاصيل العمارة الدقيقة.

ومع ذلك، تم التعرف على قيود رئيسية في الطرق الحالية، بما في ذلك عزل الميزات عبر المستويات. حيث كانت الميزات تُحسّن بشكل مستقل دون أي تواصل بين المستويات، مما أدى إلى انحراف الألوان ونعومة زائدة في المناطق المزخرفة. لحل هذه المشكلات، تم تقديم HiCo-GS، الذي يتضمن وحدتين تكميليتين. الأولى هي تجميع السياق عبر المستويات (Cross-Level Context Aggregation - CLCA)، والتي تعمل على دمج المعلومات من المستويات المختلفة لتعزيز الأداء.

أما الوحدة الثانية فهي تعزيز التوافق الهندسي (Depth-Normal Geometric Consistency - DNGC)، والتي تضمن توافق اتجاهات السطح المرسومة مع العمق المُستخلص، مما يمنح الصور دقة أكبر في التفاصيل.

ومؤخراً، تم تقديم مجموعة بيانات China-Pagoda، التي تشمل 8 برجًا صينيًا قديمًا مع أكثر من 1200 صورة، مظهرةً النقوش الزخرفية الكثيفة والتفاصيل المعمارية الفريدة.

توفر التجارب الواسعة على مجموعة من البيانات مثل Mill19 وUrbanScene3D وMatrixCity وChina-Pagoda إثباتاً عملياً لفعالية HiCo-GS، حيث يحقق جودة تصوير أفضل بكثير ونظافة في الهندسة.

تجدر الإشارة إلى أن الرمز البرمجي لهذا الابتكار متاح على GitHub، مما يعطي الفرصة للمطورين للاستفادة من هذا التقدم المذهل في مجال الذكاء الاصطناعي.