توليد صور بأسلوب العدسات المعدنية لتصوير بالعدسات المعدنية عبر تحويل صورة إلى صورة

صور أكثر حدة من كاميرات أنحف

تكتظ هواتف اليوم والأجهزة القابلة للارتداء بكاميرات، ومع ذلك فإن عدسات الزجاج التقليدية التي تتيح صوراً حادة لا تزال تشغل مساحة ثمينة. فئة جديدة من «العدسات المعدنية» فائقة النحافة تعد بعناصر بصرية رقيقة للغاية قد تجعل الكاميرات مسطحة بسمك بطاقة ائتمان. لكن هذه العدسات المسطحة تُدخل هالات لونية غريبة وتغبيشًا يفسد الصور اليومية. تُظهر هذه الورقة كيف يمكن للذكاء الاصطناعي أن يتعلم تقليد تلك العيوب على الصور العادية ثم استخدام النتائج لتعليم البرمجيات إصلاح صور العدسات المعدنية—دون الحاجة لقضاء ساعات في التقاط صور معايرة.

لماذا من الصعب ضبط العدسات المسطحة

تعتمد الكاميرات التقليدية على أكوام من عناصر زجاجية منحنية لتحني الضوء بلطف وتصحيح الضبابية والتشوهات غير المرغوبة. بالمقابل، تكون العدسات المعدنية أسطحًا مسطحة مغطاة بهياكل دقيقة أصغر من طول موجة الضوء توجه الضوء بطرق أكثر غرابة. هذا يجعلها رقيقة جدًا وسهلة التصنيع على رقائق، لكنها أيضًا حساسة للغاية: قد تتغير حدة الصورة واللون بسرعة عبر الإطار، ويمكن أن تتسبب تغييرات طفيفة في اللون أو زاوية الرؤية أو تباين التصنيع في خطوط، وهالات، وتفاصيل مموهة. بالنسبة للمصنِّعين، فإن العقبة الأكبر ليست في بناء العدسات المعدنية، بل في جمع آلاف الصور النموذجية اللازمة لتدريب البرمجيات على إلغاء هذه العيوب لكل تصميم جديد.

تعليم شبكة لتمثيل عدسة معيبة

بدلاً من البدء بصور معدّات عدسات معدنية سيئة ومحاولة تنظيفها، يقلب المؤلفون المشكلة. يبدأون بصور نظيفة مُلتقطة بعدسة تقليدية ويدربون شبكة عصبية لتجعل تلك الصور تبدو كما لو أنها اُلتقطت عبر عدسة معدنية محددة، بما في ذلك هالاتها اللونية المميزة، الضبابية المعتمدة على الموقع، والتشويه بالقرب من الحواف. تعتمد هذه الشبكة على محول صورة-إلى-صورة من نوع U-Net يمكنه نقل التفاصيل الدقيقة من الإدخال إلى الناتج أثناء إضافة تشوهات واقعية. شبكة تمييز مرافق تقوِّم ما إذا كان الناتج يبدو كصورة عدسة معدنية حقيقية أم مزيفة، مما يدفع المولد نحو عيوب مقنعة. مع نحو 600 زوج حقيقي من صور العدسات المعدنية والصور التقليدية فقط للمعايرة، يمكن للنظام المدرب بعد ذلك تحويل مئات الصور العادية إلى صور بأسلوب العدسة المعدنية المقنعة في غضون ثوانٍ.

التحقق من مدى واقعية الصور المزيفة

لمعرفة ما إذا كانت هذه الصور الاصطناعية تتصرف فعلاً كصور العدسات المعدنية، يقارن الفريق طريقتهم بعدة نماذج متقدمة لاستعادة الصور والفائق الدقة، لكن تُشغّل بالعكس: بدلاً من تنظيف الصور، يُطلب من النماذج المنافسة تدهور الصور النظيفة إلى صور شبيهة بالعدسات المعدنية. باستخدام مقاييس جودة معيارية تلتقط كلًا من الحدة والتشابه المدرك بشريًا، يعيد محولهم أفضل تمثيل لعيوب العدسة المعدنية الحقيقية مع تجنّب القوام غير الطبيعي. بصريًا، تُظهر مخرجاته هالات لونية حية وأنماط ضبابية واقعية تطابق الالتقاطات الحقيقية أكثر من تلك التي تنتجها النماذج الأخرى، التي تميل إلى تمليس مفرط أو تشويه التفاصيل الدقيقة.

استخدام البيانات المزيفة لإصلاح الصور الحقيقية

العائد الحقيقي يظهر عندما تُستخدم هذه الصور المصنّعة بأسلوب العدسة المعدنية لتدريب شبكة عصبية ثانية مهمتها استعادة صور العدسات المعدنية إلى جودة نقية. يرى هذا المستعيد أزواجًا من الصور النظيفة ونُسخها المتدهورة التي أنشأها الذكاء الاصطناعي فقط، دون أي بيانات حقيقية للعدسات المعدنية. ومع ذلك، عند اختباره على صور عدسات معدنية فعلية لم يرها من قبل، يستعيد البنية العامة واللون بأمانة أكثر من النهج المنافسة المدربة على نفس البيانات الاصطناعية فقط. لا تزال بعض مناطق الحواف أكثر نعومة من المثالي، ما يكشف أن التدريب الحالي لا يلتقط تمامًا أقوى الضبابية بالقرب من الحدود. ومع ذلك، تُظهر النتائج أن البيانات المزيفة المصممة بعناية يمكن أن تحل محل مجموعات بيانات حقيقية كبيرة ومكلفة عند تعليم البرمجيات كيفية تصحيح خصائص العدسات المعدنية.

ما الذي يعنيه هذا لكاميرات المستقبل

بالنسبة لغير المتخصص، الرسالة الأساسية هي أن مصنعي الكاميرات قد لا يضطرون بعد الآن للاختيار بين عدسات ضخمة وجودة صور ضعيفة. من خلال تعلم تقليد العيوب المعقدة للعدسات المسطحة أولًا ثم استخدام تلك التقليدات للتدريب، يخفض النهج المقترح وقت جمع البيانات بنحو ستين مرة بينما يُمكن برمجيات تصحيح صور العدسات المعدنية من العمل بفعالية. عمليًا، قد تساعد هذه الفئة من التوليد الصوري الواعي بالفيزياء في تصغير وحدات الكاميرا متعددة العناصر إلى عدسة مسطحة واحدة زائد خوارزمية تصحيح ذكية، ممهدة الطريق لهواتف أنحف، وأجهزة قابلة للارتداء أخف وزنًا، وأدوات علمية مدمجة لا تزال توفر صورًا حادة ومألوفة المظهر.

الاستشهاد: Kang, C., Suk, H., Seo, J. et al. Metalens-style image synthesis for metalens imaging via image-to-image translation. Sci Rep 16, 5819 (2026). https://doi.org/10.1038/s41598-026-36150-9

الكلمات المفتاحية: تصوير بالعدسات المعدنية, التصوير الحسابي, التعلم العميق, استعادة الصورة, زيادة البيانات