خوارزمية تنبؤ الصور لمشاهد الطرق الضبابية مبنية على مُحسّن المحول

لماذا رؤية ما وراء الضباب مهمة

القيادة عبر ضباب كثيف قد تشبه التحديق في جدار أبيض. بالنسبة للسائقين البشريين وللسيارات الذاتية أيضاً، تحويل الرؤية الضعيفة للطرقات العادية يجعلها أماكن خطرة. تستكشف هذه الدراسة طريقة جديدة لجعل الحواسيب «تُبصر» بوضوح أكبر عبر الضباب من خلال تحويل مشاهد الشوارع الضبابية إلى صور أوضح وأكثر معلوماتية. الهدف ليس مجرد صور أجمل، بل قرارات أكثر أمانًا للسيارات الذاتية التي يجب عليها اكتشاف الحارات والمركبات والعقبات في كل أنواع الطقس.

من طرق ضبابية إلى مشاهد أوضح

يؤدي الضباب إلى تدهور الصور عبر تشتيت الضوء، وتلاشي الألوان، وتنعيم الحواف، وإخفاء الأشياء البعيدة. تحاول الأساليب التقليدية عكس ذلك بالاعتماد على قواعد مُصممة يدويًا حول سلوك الضباب، أو عن طريق تعزيز التباين بطريقة عامة واحدة تناسب الجميع. تحسّن طرق التعلم العميق الأحدث هذا المجال، لكن الكثير منها يواجه صعوبة في التقاط الأنماط بعيدة المدى في المشهد—مثل العلاقة بين علامات الحارات أو المركبات البعيدة وما هو قريب من الكاميرا. كما أنها تميل لأن تكون ثقيلة وبطيئة، وهو ما يسبب مشكلة للسيارات التي يجب أن تتفاعل في الزمن الحقيقي.

محرك بصر أذكى للطرقات الضبابية

لمعالجة هذه الحدود، صمم المؤلفون نظام رؤية متخصص مبني على بنية ذكاء اصطناعي حديثة تُعرف بالمحول—التي أنشئت أصلاً لفهم اللغة، لكنها الآن مُكيّفة للصور. تأخذ شبكتهم صورة طريق ضبابية واحدة وتتنبأ بنسخة أوضح بالإضافة إلى تقدير مدى الرؤية أمام السائق. تقسم الصورة إلى قطع متداخلة بعدة أحجام، ما يسمح لها بالتركيز كل من على التفاصيل الدقيقة مثل حواف الحارات وعلامات المرور، وعلى التخطيط الأوسع للطريق. ثم تُعالج هذه القطع في فروع متعددة متوازية مُعدة لكثافات ضباب مختلفة، بحيث يُتعامل مع الضباب الخفيف والضباب الكثيف بصورة مختلفة بدلاً من إجبارهما على المرور في نفس خط المعالجة.

اتباع البنية بدلاً من الضوضاء

في داخل هذا النظام، الابتكار الرئيسي هو آلية انتباه مبسطة تتيح للشبكة وزن العلاقات بين أجزاء بعيدة في الصورة دون انفجار في حسابات الكمبيوتر. يقارب المؤلفون حسابًا داخليًا مكلفًا بحيث يتصرف بشكل مشابه لكنه يعمل أسرع، محوّلًا خطوة مربعية بطيئة إلى أخرى أكثر كفاءة بكثير. يساعد ذلك النموذج على التركيز على البنى المهمة—كمحاذاة علامات الحارات ومخططات المركبات—مع تجاهل كثير من ضوضاء الضباب العشوائية. تقوم وحدات انتباه إضافية بعد ذلك بتنقيح أي قنوات السمات هي الأهم وأي المناطق المكانية تستحق التركيز، مما يشحذ الحواف والأشكال ذات الصلة الحاسمة للملاحة.

الاختبار على ضباب حقيقي ومُولد

يجمع الباحثون ثلاث مجموعات بيانات لمشاهد الطرق تمزج بين ضباب مولد حاسوبيًا وصور ضبابية حقيقية من المدن والطرق السريعة، تغطي ضباباً خفيفًا ومتوسطًا وثقيلاً. يدربون نظامهم لإنتاج صورة مزالة للضباب وتقدير للرؤية، ثم يقارنونه بطريقة مُرشدة بالفيزياء وعدة نماذج إزالة ضباب رائدة. يستعيد نهجهم مزيدًا من تفاصيل الطريق في كثير من الحالات—خصوصًا علامات الحارات البعيدة ومخططات المركبات—مع استخدام عدد أقل بكثير من المعاملات مقارنة ببعض البدائل الشائعة. والأهم أنه يعمل بسرعة كافية للاستخدام في الزمن الحقيقي على أجهزة رسومية تشبه ما قد يُركّب في سيارة حديثة، محافظًا على عشرات الإطارات في الثانية حتى عند دقات أعلى.

صور أوضح لقرارات أكثر أمانًا

بعبارات يومية، يقدم هذا العمل "مزيل ضباب رقمي" خفيف الوزن يساعد أنظمة القيادة الآلية على رؤية المزيد من الطريق في أحوال جوية معاكسة. وبينما ليس مثاليًا—قد تظهر تحولات لونية وتشوهات في المشاهد الكثيفة أو المعقدة جدًا—فهو يوازن عمليًا بين جودة الصورة والسرعة. من خلال الجمع بين مشاهد متعددة المقاييس، وفروع متخصصة لمستويات ضباب مختلفة، وآلية انتباه فعالة، يوفر الأسلوب صور طريق أوضح وأكثر معلوماتية دون إغراق حواسيب المركبة. مما يجعله خطوة واعدة نحو قيادة ذاتية أكثر أمانًا في ظروف ضبابية وقليلة الرؤية التي تتحدى البشر والآلات على حد سواء.

الاستشهاد: Zhang, BT., Zhao, AY. & Xiong, P. Image prediction algorithm for foggy road scenes based on improved transformer. Sci Rep 16, 9579 (2026). https://doi.org/10.1038/s41598-025-25974-6

الكلمات المفتاحية: رؤية الطرق الضبابية, إزالة الضباب عن الصور, القيادة الذاتية, التصوير المعتمد على المحول, إدراك الأحوال الجوية المعاكسة