في عالم يتزايد فيه حجم مقاطع الفيديو المتوفرة على الإنترنت، تبرز تحديات كبيرة في اكتشاف اللحظات الأكثر أهمية والتي تثير اهتمام المشاهدين. ومن هذا المنطلق، ظهر مفهوم اكتشاف أبرز لحظات الفيديو، الذي يهدف إلى تحديد المقاطع الزمنية التي تحتوي على أحداث مثيرة أو معلومات مثيرة. لتحقيق هذه المهمة بنجاح، ليس كافياً فقط تمييز المقاطع ولكن أيضًا الحفاظ على العلاقات الزمنية بينها.

مؤخراً، تم تقديم تقنية جديدة تُعرف باسم Sliced Gromov-Wasserstein Information Bottleneck (SGWIB) والتي تعد ابتكاراً في هذا المجال. تهدف هذه التقنية إلى معالجة التحديات التي تواجهها التقنيات التقليدية، حيث يمكن أن تتعرض العلاقات بين المقاطع للتشويه أثناء عملية الضغط.

تعتمد SGWIB على مبدأ حبس المعلومات، مما يمكّنها من تعلم تمثيلات مضغوطة تتعلق بالمهمة مع الحفاظ على الهيكل الزمني للعلاقات بين المقاطع. تطوّرت هذه التقنية بالتعاون مع عنصر جديد يسمى Sliced Gromov-Monge Gap (SGMG) والذي يعمل كمنظّم يحافظ على الروابط الهيكلية.

قامت التجارب على مجموعتي البيانات MrHiSum وMoSu بإظهار تفوق SGWIB على العديد من الأساليب التقليدية. إذ حققت أعلى درجات في مقاييس دقيقة مثل Kendall's tau وSpearman's rho وmAP@50 وmAP@30، متجاوزة بذلك النتائج السابقة بشكل ملحوظ.

يمكن القول إن الابتكار الجديد من SGWIB لا يُحفز فقط أداء اكتشاف اللحظات البارزة، بل يقدم أيضاً تحسينات كبيرة من خلال فصل المعلومات المهمة عن الأنماط السياقية غير المتعلقة. إن هذه النتائج تمثل خطوة كبيرة نحو تحسين التفاعل مع المحتوى المرئي وفتح آفاق جديدة في عالم تحليل الفيديو.