في ظل التطورات السريعة في مجال الذكاء الاصطناعي، أظهرت الأساليب الجديدة الخاصة بإزالة الإضاءة من الصور الأحادية (Single-Image Relighting) تقدمًا ملحوظًا في تحقيق واقعية ضخمة على مجموعات البيانات الصناعية. لكن، هل هذه النماذج فعالة في مواجهة تحديات العالم الحقيقي؟

هنا يأتي دور WildRelight، وهي مجموعة بيانات جديدة تُعتبر الأولى من نوعها، تم تصميمها خصيصًا لتقييم نماذج إزالة الإضاءة من الصور الأحادية في البيئات الطبيعية. تتضمن مجموعة WildRelight مجموعة متنوعة من المشاهد الخارجية عالية الدقة، التي تم التقاطها تحت إضاءة طبيعية متغيرة بمرور الوقت، وتُقترن كل صورة بخريطة بيئية ذات ديناميكية عالية.

يكشف البحث الجديد أن النماذج الأكثر تقدمًا، والتي تم تدريبها على بيانات صناعية، تعاني من انزياحات كبيرة عند نقلها إلى بيانات العالم الحقيقي. لكن بفضل الهيكل الزمني الدقيق لمجموعة WildRelight، تم تقديم إطار عمل جديد للتكيف بين النطاقات. يعتمد هذا الإطار على استغلال تطور الضوء الطبيعي كقيد مُراقب ذاتيًا، مما يعزز فعالية النماذج.

باستخدام تقنيات مثل Diffusion Posterior Sampling (DPS) وتكييف وقت الاختبار المستند إلى الزمن (Temporal Sampling-Aware Test-Time Adaptation (TTA))، تُظهر النتائج أن مجموعة البيانات تتيح للنماذج الصناعية التكيف مع إحصائيات العالم الحقيقي بشكل ديناميكي، وهو ما يحل تحدي الانتقال من محاكاة إلى واقع.

تجدر الإشارة إلى أن مجموعة البيانات والكود المتعلق بها سيتم إتاحتهما للجمهور، مما يدفع نحو بحث أكثر قوةً واستنادًا إلى الفيزياء في مجال إزالة الإضاءة.