سباكل: التقنية الثورية لتحسين الصور باستخدام التعلم المتبقي

في عالم الصور الرقمية، تبرز تقنية إعادة بناء الصور الأحادية (Single-Image Novel View Synthesis - NVS) كواحدة من أحدث الابتكارات، حيث تتيح توليد صور واقعية لزوايا لم ترى من قبل بناءً على صورة واحدة أكبر. تتطلب الأنظمة العملية لهذه التقنية قدرات رئيسية مثل إعادة بناء المناطق المحجوبة وكفاءة استدلال عالية.

رغم الوعود التي تقدمها النماذج الهجينة التي تجمع بين نظام تراكب الغاوسي ثلاثي الأبعاد (3D Gaussian Splatting) ونماذج الانحدار (Diffusion Models)، إلا أنها تعاني من تنافس السعة، حيث يؤدي العدد الثابت للغاوسيات إلى تحول الموارد من المناطق المرئية إلى تلك المحجوبة، مما يسبب تدهورًا في دقة الصورة الأصلية عند الانحراف عن الزاوية المدخلة.

لحل هذه المشكلة، تم تطوير تقنية سابقة (Spackle)، وهي إطار تعلم متبقي خفيف الوزن يعالج التنافس على السعة دون المساومة على الكفاءة. يعمل سابقة على ثلاث مراحل:
1. توقع خصائص 3DGS الأساسية من وجهات نظر معينة.
2. تحديد المناطق التي تمت إعادة بنائها بشكل سيء.
3. تعلم إعادة بناء 3DGS محسن حصريًا لهذه المناطق.

أثناء الاستدلال، يتم دمج الغاوسيات الأساسية والمزودة لتوليد مشهد جديد.

أظهرت التجارب الشاملة أن أداء سابقة (Spackle) يتفوق على الأنظمة الحالية في حالات انحراف العرض الكبير. في ظل الابتكارات المستمرة في هذا المجال، قد نكون أمام فجر جديد من دقة الصورة والتفاعلية.