تم مؤخراً تقديم نموذج مبتكر لتقييم جودة الصور تحت عنوان "الفصل السببي للتقييم الكامل لجودة الصورة". يعتمد هذا النموذج على الاستدلال السببي (Causal Inference) وتعلم التمثيلات المفصولة (Decoupled Representation Learning). بدلاً من الاعتماد فقط على مقارنة الميزات، ينظر هذا النموذج إلى عملية تقدير التدهور كعملية فصل سببي موجهة من خلال التدخل على التمثيلات الكامنة.
كيف يعمل هذا النموذج؟
1. **فصل التدهور والتمثيلات المحتوى**: يقوم النموذج أولاً بفصل تمثيلات التدهور عن المحتوى من خلال استغلال عدم تغير المحتوى بين الصور المرجعية والمشوهة.
2. **تأثير الماسك البصري**: مستلهمًا من تأثير الإخفاء البصري لدى البشر، تم تصميم وحدة ماسك تهدف إلى نمذجة العلاقة السببية بين محتوى الصورة وميزات التدهور، مما يسهل استخراج ميزات التدهور المتأثرة بالمحتوى من الصور المشوهة.
3. **تنبوء درجات الجودة**: يقوم النموذج بتوقع درجات الجودة استنادًا إلى ميزات التدهور هذه، باستخدام إما الانحدار الخاضع للإشراف أو تقليل الأبعاد بدون تسميات.
أداء لا يصدق
أثبتت التجارب الواسعة أن هذا الأسلوب يحقق أداءً تنافسياً عالياً على المعايير القياسية لتقييم الجودة، سواء في الإعدادات الخاضعة للإشراف بالكامل أو القليلة التسمية أو بدون تسميات. تمت أيضًا تقييمه في مجالات متنوعة مثل الصور تحت الماء، الصور الشعاعية، الصور الطبية، الصور النيوترونية، وصور المحتوى على الشاشة، مما يُظهر قدرته المميزة على أداء التدريب والتنبؤ الخاص بالسيناريوهات دون الحاجة إلى بيانات IQA مضبوطة.
هكذا يمكن لهذا النموذج المبتكر تقديم حلول فعالة في مجالات متعددة، مما يعكس تقدمًا كبيرًا في تكنولوجيا تقييم جودة الصور.
ما رأيكم في هذا التطور؟ شاركونا في التعليقات!