אלגוריתם לחיזוי תמונה לתרחישי כביש ערפילי מבוסס Transformer משופר

מדוע חשוב לחדור דרך הערפל

נהיגה בתוך ערפל סמיך מרגישה כמו מבט אל קיר לבן. הן לנהגים אנושיים והן לרכבים אוטונומיים, ראות ירודה הופכת כבישים רגילים למקומות מסוכנים. המחקר הזה חוקר דרך חדשה שמאפשרת למחשבים "לראות" יותר בבהירות דרך הערפל על ידי הפיכת סצנות רחוב מטושטשות לתמונות חדות ומספקות יותר מידע. המטרה אינה רק תמונות יפות יותר, אלא קבלת החלטות בטוחות יותר עבור רכבים אוטונומיים שצריכים לזהות נתיבים, כלי רכב ומכשולים בכל סוגי מזג האוויר.

מכבישים מטושטשים לתצפיות ברורות יותר

הערפל מפחית את איכות התמונות על ידי פיזור האור, שטיפת הצבעים, ריכוך הקצוות והסתרת עצמים מרוחקים. שיטות מסורתיות מנסות להחליף זאת על ידי כללים מעוצבים ידנית לגבי תכונות התנהגות הערפל, או על ידי שיפור ניגודיות באופן כללי ואחיד. שיטות למידה עמוקה חדשות משפרות זאת, אך רבות מתקשות ללכוד דפוסים לטווח ארוך בסצנה, כגון היחסים בין סימוני נתיב או רכבים רחוקים למה שנמצא בקרבת המצלמה. הן גם נוטות להיות כבדות ואיטיות, מה שמייצר בעיה לרכבים שצריכים להגיב בזמן אמת.

מנוע חזון חכם יותר לכבישים ערפיליים

כדי להתמודד עם המגבלות הללו, המחברים תכננו מערכת חזון מיוחדת המבוססת על ארכיטקטורת בינה מודרנית הידועה כ-Transformer — שנוצרה במקור להבנת שפה, וכעת מותאמת לתמונות. הרשת שלהם מקבלת תמונת כביש ערפילית יחידה ומנבאת גרסה ברורה יותר יחד עם הערכה של המרחק שניתן לראות קדימה. היא מפרקת את התמונה לחתיכות חופפות בכמה גדלים, מה שמאפשר לה להתמקד גם בפרטים עדינים כגון קצוות הנתיבים ושילוט תנועה, וגם במבנה הרחב יותר של הכביש. החתיכות האלה מעובדות בענפים параллельיים מרובים המכוונים לצפיפויות ערפל שונות, כך שמערפלת עדינה וערפל כבד מטופלות באופן שונה במקום לעבור באותו צינור עיבוד אחיד.

לעקוב אחרי מבנה במקום אחרי רעש

בתוך המערכת הזאת, החידוש המרכזי הוא מנגנון תשומת לב מזורז שמאפשר לרשת לשקול קשרים בין חלקים מרוחקים בתמונה בלי התפוצצות בחישוב. המחברים מקרבים חישוב פנימי יקר כך שיתנהג באופן דומה אך ירוץ מהר יותר, והופכים שלב איטי וריבועי ליעיל בהרבה. זה עוזר למודל להתמקד במבנים חשובים — כמו התאמת סימוני הנתיב ומסגרות הרכבים — תוך התעלמות מרוב רעש הערפל האקראי. מודולים נוספים של תשומת לב מחדדים אז אילו ערוצי תכונה חשובים ביותר ואילו אזורים מרחביים ראויים למיקוד, מה שמחדד עוד קצוות וצורות רלוונטיים הקריטיים לניווט.

בדיקות על ערפל אמיתי וסינתטי

החוקרים הרכיבו שלושה מאגרי סצנות כביש שמשלבים ערפל שנוצר במחשב עם תמונות ערפל אמיתיות מערים וכבישים בין-עירוניים, המכסים ערפל קל, בינוני וכבד. הם מאמנים את המערכת שלהם להפיק גם תמונה מנותקת מערפל וגם הערכת נראות, ואז משווים אותה לשיטה חזקה המונחית פיזיקה ולכמה דגמי הסרת ערפל מובילים. בשורה התחתונה, השיטה שלהם משחזרת פרטים על הכביש בתדירות גבוהה יותר — במיוחד סימוני נתיב מרוחקים וקווי המתאר של כלי רכב — בעוד שהיא משתמשת בהרבה פחות פרמטרים מאשר כמה אלטרנטיבות פופולריות. חשוב לציין שהיא פועלת מספיק מהר לשימוש בזמן אמת על חומרת גרפיקה דומה לזו שעלולה להיות מותקנת ברכב מודרני, ומשמרת עשרות פריימים בשנייה גם ברזולוציות גבוהות יותר.

תמונות ברורות יותר להחלטות בטוחות יותר

במונחים יומיומיים, העבודה הזו מציעה "מפחית ערפל" דיגיטלי קל משקל שעוזר למערכות נהיגה אוטומטיות לראות יותר מהכביש בתנאי מזג אוויר קשים. למרות שאינה מושלמת — שינויים בצבעים וארטיפקטים עדיין עלולים להופיע בסצנות צפופות או מורכבות מאוד — היא מאזנת באופן מעשי בין איכות תמונה למהירות. באמצעות שילוב של תצפיות ברב-קנה מידה, ענפים מיוחדים לרמות ערפל שונות ומנגנון תשומת לב יעיל, המתודולוגיה מספקת תמונות כביש ברורות ומעשירות מידע מבלי להעמיס על המחשבים על הסיפון. זהו צעד מבטיח לעבר נהיגה אוטונומית בטוחה יותר בתנאי ראות אובקים ונמוכה שמאתגרים גם בני אדם וגם מכונות.

ציטוט: 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

מילות מפתח: חזון בכבישים ערפיליים, הסרת ערפל מתמונה, נהיגה אוטונומית, עיבוד תמונה מבוסס Transformer, תפיסה במזג אוויר קשה