إطار شبكة عصبية لاختيار خوارزميات تحسين الفيديو في الوقت الحقيقي على الأجهزة المحمولة

مقاطع فيديو أوضح في جيبك

من مكالمات الفيديو مع العائلة إلى بث الأفلام واستخدام تطبيقات الواقع المعزز، نتوقع الآن أن تقدم هواتفنا فيديوًا حادًا وواضحًا في أي مكان وزمان. ومع ذلك، كل جهاز محمول يقوم بموازنة عدة متطلبات: يجب تحسين جودة الصورة دون استنزاف البطارية أو إبطاء الأداء. يستعرض هذا المقال نظام قرار ذكي يساعد الهواتف على اختيار "أفضل" طريقة لتحسين الفيديو تلقائيًا في الوقت الحقيقي، محققًا توازنًا بين الجودة البصرية والسرعة واستهلاك الطاقة.

لماذا تحسين الفيديو أصعب على الهواتف

تقنيات تحسين الفيديو الحديثة يمكنها إزالة الضوضاء، وزيادة الدقة، وجعل المشاهد المظلمة أو منخفضة التباين أكثر وضوحًا. لكن العديد من أقوى الأساليب تكون مكثفة حسابيًا، وهو أمر سيئ بالنسبة للمعالجات الصغيرة والبطاريات المحدودة. يجب على الأجهزة المحمولة موازنة عدة احتياجات متعارضة في آن واحد: مدى سرعة تنفيذ الخوارزمية، جودة الصورة الناتجة، كمية الطاقة المستهلكة، وصعوبة التنفيذ على عتاد متواضع. اختيار خوارزمية من بين عدة مرشحين لكل حالة يدويًا أمر معقد وعرضة للأخطاء، خاصة عندما تتغير الظروف من إطار لآخر.

مزج الحكم البشري مع الحسابات الذكية

يقترح المؤلفون إطارًا جديدًا لاتخاذ القرار يدمج فكرتين: المنطق الضبابي والشبكات العصبية. المنطق الضبابي هو وسيلة للتعامل مع الأحكام غير الدقيقة ذات الطابع البشري مثل "هذه الطريقة سريعة إلى حد ما لكنها تستهلك بعض الطاقة" بدلاً من تقييمات صارمة بنعم أو لا. الشبكات العصبية، المستوحاة من طريقة اتصال خلايا الدماغ، هي أدوات قوية للتعرف على الأنماط. في هذا الإطار، يقوم الخبراء أولاً بتقييم كل طريقة تحسين فيديو وفقًا لأربعة معايير بسيطة: سرعة المعالجة، تحسن الجودة البصرية، استهلاك الطاقة، وتعقيد التنفيذ. هذه التقييمات لا تُعامل كدرجات ثابتة بل كقيم "ضبابية" تعبّر عن درجات تفضيل وحالة من عدم اليقين.

محرك قرار نحيف متعدد الطبقات

لجمع هذه التقييمات الضبابية، يستخدم المؤلفون عائلة رياضية من الأدوات تُسمى قواعد سوجنو–ويبر. تعمل هذه القواعد كمزجّات قابلة للضبط تجمع قطعًا مختلفة من المعلومات مع التقاط كيفية تفاعلها. يتم أولًا خلط المدخلات الضبابية من عدة خبراء في طبقة مخفية باستخدام خطوة متوسط متخصصة. ثم تنتج خطوة تجميع ثانية نتيجة كلية لكل خوارزمية مرشحة. تحوّل دوال تنشيط بسيطة — مرشحات رياضية تُستخدم غالبًا في التعلم العميق — هذه القيم المجمعة إلى مخرجات نهائية. يقارن المؤلفون بين دالتين من هذا النوع (سيغمُويد وسويش) ويظهرون أنهما ينتجان ترتيبًا مشابهًا جدًا، مما يوحي بأن محرك القرار مستقر وموثوق.

اختبار أربع طرق لتحسين الفيديو

يُطبق الإطار على أربع تقنيات شائعة لتحسين فيديو المحمول. تعزيز التباين بالتساوي التكيفي (التساوي الهستوغرافي التكيفي) يعزز التباين المحلي، خاصة في الإضاءة غير المتجانسة؛ التعلم العميق لزيادة الدقة يحاول إعادة بناء التفاصيل الدقيقة من مدخل منخفض الدقة باستخدام الشبكات العصبية؛ إزالة الضوضاء القائمة على المويجات تقلل الضوضاء من خلال تحليل الصورة على مقاييس متعددة؛ ومعالجة المجال الترددي تتلاعب بالأنماط في المجال الترددي لتأكيد أو قمع ميزات معينة. يتم تقييم كل طريقة، ودمج التقييمات عبر الخبراء، وتمريرها عبر الشبكة العصبية الضبابية. يصنف النظام التعلم العميق لزيادة الدقة باستمرار كاختيار أعلى، محققًا أفضل توازن عام بين السرعة والجودة والطاقة والتعقيد وفقًا لتقييمات الخبراء المعطاة.

اختيارات قوية للأجهزة الواقعية

يغيّر المؤلفون أيضًا بعض المعاملات الداخلية الأساسية لاختبار مدى حساسية الترتيبات لضبط المعلمات. بينما تتغير القيم العددية الدقيقة قليلًا، لا يتبدل الترتيب العام للطرق الأربع، مما يشير إلى أن نتائج النموذج متينة. ثم يقارنون نهجهم الضبابي العصبي مع عدة تقنيات أخرى راسخة لاتخاذ القرار ويجدون أن هذه أيضًا تشير إلى التعلم العميق لزيادة الدقة كأفضل خيار. للقراء غير المتخصصين، الخلاصة بسيطة: من خلال مزج رأي الخبراء مع شبكة عصبية مدمجة محسوبة بكفاءة، يمكن لهذا الإطار أن يساعد الهواتف والأجهزة الصغيرة الأخرى على اختيار أفضل استراتيجية لتحسين الفيديو تلقائيًا في الوقت الحقيقي — مقدمًا فيديو أوضح وأكثر حدة دون التضحية بالاستجابة أو عمر البطارية.

الاستشهاد: Khan, M., Rahman, M.I. & Ziar, R.A. A neural network framework for selecting real-time video enhancement algorithms on mobile devices. Sci Rep 16, 5257 (2026). https://doi.org/10.1038/s41598-026-36099-9

الكلمات المفتاحية: تحسين فيديو المحمول, الشبكات العصبية الضبابية, التعلم العميق لزيادة الدقة, معالجة الصور في الوقت الحقيقي, نماذج صنع القرار