في ظل الحياة الحضرية الحديثة، تنتشر أجهزة الاستشعار في كل مكان، من الكاميرات الموضوعة في أجهزة الصراف الآلي (ATM) إلى كاميرات المراقبة (CCTV) والكاميرات الموجودة في المركبات. يمكن إعادة توظيف هذه الأجهزة لأغراض ثانوية، مثل التعرف على لوحات السيارات، لكنها تواجه تحديات كبيرة. الصور الملتقطة غالباً ما تكون مشوشة ومنخفضة الدقة، وغالباً ما تُلتقط من زوايا حادة.

ومع تقدم تقنيات الذكاء الاصطناعي في استعادة الصور، أصبح من الممكن استخراج معلومات قيمة حتى من الصور المتضررة بشكل كبير. ومع ذلك، يبقى التحدي الأكبر هو تحديد المعايير التي تؤدي إلى استعادة موثوقة وتلك التي تؤدي إلى فشل في الاستدلال.

قدمت ورقة علمية جديدة مفهوم "خرائط القابلية للاسترداد"، وهو طريقة غير مرتبطة بمهمة محددة لتحديد الحدود بين الاسترداد الناجح والفشل. تعتمد هذه الطريقة على مجموعة من المعايير بغاية تحليل مدى قابلية الاسترداد. يتم دمج تقييم دقيق لمدى تدهور الصور مع مقاييس ملخصة تشمل مساحة تحت المنحنى (Area Under Curve) التي تقدر نسبة المساحة القابلة للاسترداد، ودرجة موثوقية تُظهر تكرار وشدة الفشل في هذا المجال.

تم تجريب هذه الطريقة على التعرف على لوحات السيارات من زوايا مرتفعة تحت آثار الكاميرات العملية. تم تقييم عدة نماذج لاستعادة الصور، بما في ذلك U-Net وRestormer وPix2Pix وSR3 diffusion، حيث تمكن النموذج الأفضل من استعادة ما يقارب 93% من المساحة القابلة للاسترداد. تشير النتائج المتقاربة عبر النماذج إلى أن هندسة الاستشعار، بدلاً من بُنية النموذج، هي التي تحدد حدود الاستعادة.

ما يزيد من أهمية هذا البحث هو إمكانية تفعيل هذه النتائج في مجالات أخرى من الحياة الحضرية، مما يفتح أبواباً جديدة لتحسين دقة الاستشعار وتعزيز أمان المدن.

كيف برأيك يمكن تحسين هذه التقنيات في المستقبل؟ شاركونا آراءكم في التعليقات.