تعاني العديد من الصور التي يتم التقاطها بواسطة الأجهزة الإلكترونية الاستهلاكية، مثل الهواتف المحمولة والكاميرات الرقمية، من تدني الجودة بسبب ضعف الإضاءة، الناتج عن قيود المجسات (sensors) وأنظمة التصوير. هذه المشكلة تؤثر بشكل كبير على جودة الصور ومهام الرؤية اللاحقة. ورغم أن الأساليب الحالية المعتمدة على الشبكات العصبية التلافيفية (Convolutional Neural Networks - CNNs) وTransformer قد تفوقت في تحسين الصور ذات الإضاءة المنخفضة (Low-Light Image Enhancement - LIE) بفضل قدرتها الكبيرة على نمذجة الميزات الهيكلية، إلا أن هذه الأساليب تواجه تحديات عدة.

تعمل الشبكات العصبية التلافيفية في مجالات استجابة محلية (local receptive fields) ما يجعلها غير قادرة على نمذجة التبعيات بعيدة المدى (long-range dependencies)، بينما تتجاوز الأساليب المستندة إلى Transformers هذه المشكلة ولكنها تتطلب تكاليف حسابية مرتفعة.

لذلك، تم تطوير تقنية MambaLIE وهي طريقة جديدة لتحسين الصور ذات الإضاءة المنخفضة تعتمد على نموذج الحالة (State Space Model - SSM). الفكرة الرئيسية هي إدخال شدة الإضاءة للمشهد لتحسين توزيع البنية التحتية للإضاءة، حيث يتم دمج ذلك مع الصورة ذات الإضاءة المنخفضة لتوجيه عملية التحسين.

لضمان نمذجة الإضاءة بكفاءة مع الحفاظ على الكفاءة الحاسوبية، تم تقديم نموذج مُحسن يسمى نموذج الحالة المعزز محليًا (Locally Enhanced State Space Model - LESSM). يحتوي نموذج LESSM على فرعين: فرع SSM الذي يُستخدم لنمذجة التبعيات بعيدة المدى بكفاءة زمنية، وفرع محسن محليًا لتدعيم تمثيلات الميزات المحلية.

أثبتت التجارب الكثيفة أن تقنية MambaLIE تتفوق على أساليب LIE المعتمدة على CNN وTransformer في أربعة معايير صناعية شائعة وخمسة معايير عاليمة حقيقية من حيث الدقة والسرعة وحجم النموذج، مما يجعلها مناسبة للاستخدام العملي على الأجهزة ذات الموارد المحدودة.

إذاً، ما رأيكم في هذه التقنية المبتكرة؟ هل تعتبرونها خطوة كبيرة نحو تحسين صور الهواتف الذكية؟ شاركونا آرائكم في التعليقات.