قفزة مذهلة في استعادة صور الأقمار الصناعية: نهج خفيف يعتمد على الذكاء الاصطناعي!

في عالم استعادة صور الأقمار الصناعية، يُعتبر تحسين جودة الصور عن طريق التعويض عن تدهور الصورة (مثل الضوضاء والضبابية) خطوة أساسية تسهم في تطوير المنتجات الأرضية وتطبيقات الذكاء الاصطناعي الحديثة. إلا أن الجداول الزمنية التقليدية للاستعادة، المعتمدة على نماذج فيزيائية متسلسلة، تُعتبر غالباً بطيئة ومرهقة من الناحية الحسابية، مما يجعلها غير مناسبة للاستخدام ضمن أقمار صناعية.

مؤخراً، قدم فريق من الباحثين نموذجاً جديداً يُعرف بـ ConvBEERS (Convolutional Board-ready Embedded and Efficient Restoration model for Space)، والذي يهدف إلى التحقق مما إذا كان بإمكان شبكة ملتفة بسيطة وغير توليدية مدربة على بيانات أقمار صناعية محاكية أن تُحقق أو تتجاوز جودة استعادة البيانات التقليدية.

أظهرت التجارب التي تم إجراؤها على مجموعة البيانات المحاكية والصور الحقيقية من نظام Pleiades-HR أن هذا النهج الجديد يُحقق جودة صورة تنافسية، بعد تحسين يصل إلى +6.9dB في نسبة إشارة الضوضاء (PSNR). كما أظهرت التقييمات في مهام اكتشاف الكائنات أن تقنية الاستعادة الجديدة تعزز الأداء بشكل ملحوظ، حيث حققت زيادة تصل إلى +5.1% في معدل الدقة المتوسطة عند 50.

علاوة على ذلك، تم التحقق من قابلية نشر هذا النموذج على شريحة Xilinx Versal VCK190 FPGA، مما يثبت جدواه العملية لمعالجة البيانات على متن الأقمار الصناعية، مع تقليل زمن الاستجابة بنسبة ~41 ضعفاً مقارنة بالنهج التقليدي. هذه النتائج تُبرز أهمية استخدام الشبكات العصبية الملتفة الخفيفة لتحقيق جودة استعادة تنافسية في ظل القيود الواقعية للنظم الفضائية.