استعادة الصور بدون نسيان: ثورة في التعلم المستمر عبر تدهور الصور

تعتبر استعادة الصور من المجالات الحيوية في الذكاء الاصطناعي، وقد شهدت مؤخرًا تقدمًا ملحوظًا بفضل أنظمة هندسية متكاملة تعالج تدهورات متعددة داخل شبكة واحدة. لكن هذه الأساليب، رغم فعاليتها على المعايير الثابتة، تعتمد غالبًا على توفير مجمل التدهورات بشكل متزامن خلال فترة التدريب. في الواقع، تأتي التدهورات بصورة متتابعة، مما يدفع أنظمة العمل الميداني إلى مواجهة ظروف بيئية جديدة، في حين قد تكون البيانات التدريبية السابقة غير متاحة لأسباب تتعلق بالخصوصية أو قيود التخزين. يتطلب التكيف مع تدهور جديد إعادة تدريب على جميع البيانات القديمة، وهو ما قد يكون حلاً مكلفًا أو غير عملي، أو يتطلب إجراء عمليات تحسين مستمرة قد تؤدي إلى فقدان كارثي للمعرفة.

بناءً على هذه التحديات، قدم الباحثون إطار عمل جديد يُعرف باسم "استعادة بدون نسيان" (Restoring without Forgetting – RwF) والذي يعيد صياغة مشكلة استعادة الصور متعددة التدهور كمسألة تعلم مستمر داخل حقل تدريبي متزايد. من خلال هذا الإطار، يتم تعلم محولات خفيفة لكل تدهور جديد، مما يقضي على مشكلة النسيان عن طريق التصميم وبتكلفة أقل بكثير من الشبكات المخصصة لكل مجال.

لضمان فعالية التعلم في بيئة متغيرة، تم إنشاء معيار مخصص يشتمل على خمسة مجالات تدهور متنوعة مع محتوى صور مشترك. عند الاختبار، يعمل آلية توجيه غير خاضعة للإشراف على تحديد المسار المناسب للاستعادة للمدخلات غير المعروفة دون الحاجة إلى تسميات مجال معروفة. أظهرت النتائج أن إطار RwF يحسن من متوسط PSNR النهائي بمقدار 15.25 dB مقارنةً بعمليات تحسين بسيطة تتابعية، و11.83 dB عند استخدام هياكل Restormer وNAFNet.

علاوة على ذلك، انتقل الإطار إلى 11 معيارًا حقيقيًا للتدهور، محققا دقة توجيه بلغت 89.5% مع فجوة PSNR بذلك لا تتجاوز +0.94 dB. هذا الإنجاز يعد، ولأول مرة، أساسيًا في إنشاء معيار منهجي لاستعادة الصور متعددة التدهور بشكل مستمر.