في عالم الاستشعار عن بُعد (Remote Sensing)، يتطلب تحليل الصور دقة عالية وفهماً عميقاً للظواهر الطبيعية. ومع ذلك، تعاني الأساليب التقليدية لتقييم جودة الصور (Image Quality Assessment - IQA) من نقص في القدرة على تفسير التدهورات الفيزيائية التي تعاني منها الصور. هنا يأتي دور
**SenseBench**، المعيار الجديد الذي يهدف إلى تجاوز هذه العوائق.

إن فهم التدهورات في الصور الملتقطة عن بُعد يعتمد بشكل كبير على القدرة على إدراك التفاصيل البصرية المنخفضة المستوى، إلا أن نماذج الرؤية واللغة (Vision-Language Models - VLMs) وجهت تركيزها بعيداً عن هذا المجال، مما أدى إلى صعوبة في تحليل الصور الاستشعارية. يهدف **SenseBench** إلى التصدي لهذه المشكلة من خلال تقديم إطار شامل لتقييم أداء هذه النماذج.

يتضمن **SenseBench** أكثر من 10,000 حالة تم اختيارها بدقة، تغطي 6 فئات رئيسية و22 تصنيفاً دقيقاً من تدهور الصور. وعلاوة على ذلك، تم تصميم بروتوكولين تكميليين للتقييم: الأول يركز على الإدراك البصري المنخفض المستوى، بينما الثاني يتناول التشخيص الوصفي من منظور ذاتي.

من خلال تقييم 29 نموذجاً متقدماً من نماذج الرؤية واللغة، كشفت النتائج عن بعض التحيزات في الأولويات النمطية وتدهور متعدد، مما يعكس الحاجة الملحة لتحسين هذا المجال. نأمل أن يسهم **SenseBench** في تقديم بيانات تشخيصية عالية الجودة تدعم تطور نماذج الرؤية واللغة في مجال إدراك الصور الاستشعارية. لمزيد من المعلومات، تفضلوا بزيارة [الرابط هنا](https://github.com/Zhong-Chenchen/SenseBench).