في عالم تحسين الصور الرقمية، يُعتبر تحسين الصور ذات الإضاءة المنخفضة (Low-light Image Enhancement - LLIE) عنصرًا محوريًا لضمان وضوح الرؤية الطبيعية والاحتفاظ بجودة الألوان والتفاصيل الهيكلية. ومع ذلك، تعتمد التقنيات الحديثة المتاحة في هذا المجال، والمعروفة بأفضل تقنيات LLIE (SOTA)، غالبًا على نماذج كبيرة وتدريب متعدد المراحل، مما يقلل من إمكانية استخدامها في التطبيقات العصرية.

في مسعى للتغلب على هذه التحديات، تم تقديم نموذج Multinex، الذي يمثل إطار عمل خفيف الوزن يتضمن عدة تمثيلات دقيقة ضمن صيغة Retinex المتبقية. يقوم Multinex بتفكيك الصورة إلى مكدسات من الإضاءة والألوان المستمدة من تمثيلات تحليلية متميزة، ويتعلم دمج هذه التمثيلات في تعديلات السطوع والعكوس اللازمة لتصحيح التعرض.

ما يميز هذا النموذج هو تركيزه على تحسين النتائج بدلاً من مجرد إعادة البناء. كما أنه يستفيد من العمليات العصبية الخفيفة، مما يتيح له تقليل التكلفة الحسابية بشكل كبير. يتميز النسخة الخفيفة بوجود 45 ألف معلمة، بينما النسخة النانوية تحتوي على 0.7 ألف معلمة. وقد أظهرت الاختبارات الشاملة أن جميع النسخ الخفيفة من Multinex تتفوق بشكل كبير على نماذج LLIE الخفيفة المتاحة وتحقق أداءً مقاربًا للنماذج الثقيلة.

هذه المزايا تجعل Multinex خيارًا مثاليًا للاستخدامات العملية، مما يسمح للمطورين والمستخدمين باستغلال إمكانيات الذكاء الاصطناعي لتحسين الصور بشكل أفضل من أي وقت مضى. للمزيد من المعلومات حول هذا النموذج الجديد، يمكنكم زيارة صفحة البحث.