27 أكتوبر 2025
اكتشف كيف يعمل التعلم الخاضع للإشراف الذاتي على إزالة التشويش من الصور وإزالة الضوضاء وتعزيز الوضوح باستخدام تقنيات الذكاء الاصطناعي للتصوير الفوتوغرافي والطبي وأنظمة الرؤية.
الصور جزء من حياتنا اليومية، من الصور التي نلتقطها إلى مقاطع الفيديو التي تسجلها الكاميرات في الأماكن العامة. فهي تحتوي على معلومات ثاقبة، وتتيح التكنولوجيا المتطورة إمكانية تحليل هذه البيانات وتفسيرها.
وعلى وجه الخصوص، تمكّن الرؤية الحاسوبية، وهي فرع من فروع الذكاء الاصطناعي (AI)، الآلات من معالجة المعلومات المرئية وفهم ما تراه، مثلما يفعل البشر. ومع ذلك، في تطبيقات العالم الحقيقي، غالباً ما تكون الصور بعيدة كل البعد عن الكمال.
يمكن أن يؤدي تشويش الصور الناجم عن المطر أو الغبار أو الإضاءة المنخفضة أو قيود المستشعر إلى إخفاء التفاصيل المهمة، مما يجعل من الصعب على نماذج الذكاء الاصطناعي للرؤية اكتشاف الأجسام أو تفسير المشاهد بدقة. يساعد تقليل التشويش في الصورة على تقليل هذا التشويش، مما يجعل من الممكن لنماذج الذكاء الاصطناعي للرؤية رؤية التفاصيل بوضوح أكبر وإجراء تنبؤات أفضل.
تقليديًا، اعتمدت عملية إزالة التشويش من الصور على التعلّم تحت الإشراف، حيث يتم تدريب النماذج باستخدام أزواج من الصور المشوشة والصور النظيفة لتعلم كيفية إزالة التشويش. ومع ذلك، فإن جمع الصور المرجعية النظيفة تمامًا ليس عمليًا دائمًا.
ولمواجهة هذا التحدي، طوَّر الباحثون مُزيلات ضوضاء الصور ذاتية الإشراف. وهم يهدفون إلى تدريب نماذج الذكاء الاصطناعي على التعلم مباشرةً من البيانات، وإنشاء إشارات التعلم الخاصة بهم لإزالة الضوضاء والاحتفاظ بالتفاصيل المهمة دون الحاجة إلى صور مرجعية نظيفة.
في هذه المقالة، سنلقي نظرة فاحصة على أدوات إزالة التشفير الذاتي للصور الخاضعة للإشراف الذاتي، وكيفية عملها، والتقنيات الرئيسية التي تقف وراءها، وتطبيقاتها في العالم الحقيقي. لنبدأ!
يمكن للصور الصاخبة أن تجعل من الصعب على نماذج الذكاء الاصطناعي للرؤية تفسير ما في الصورة. قد تبدو الصورة الملتقطة في ظروف الإضاءة المنخفضة، على سبيل المثال، مشوشة أو غير واضحة، مما يخفي السمات الدقيقة التي تساعد النموذج على تحديد الأشياء بدقة.
في عملية إزالة الضوضاء القائمة على التعلّم تحت الإشراف،يتم تدريب النماذج باستخدام أزواج من الصور، إحداهما مشوشة والأخرى نظيفة، لتعلّم كيفية إزالة الضوضاء غير المرغوب فيها. على الرغم من أن هذا النهج يعمل بشكل جيد، إلا أن جمع بيانات مرجعية نظيفة تمامًا غالبًا ما يستغرق وقتًا طويلاً وصعبًا في سيناريوهات العالم الحقيقي.
لهذا السبب اتجه الباحثون إلى تقليل التشويش على الصور الخاضع للإشراف الذاتي. يعتمد تقليل التشويش الذاتي للصور الخاضع للإشراف الذاتي على مفهوم التعلّم الخاضع للإشراف الذاتي، حيث تقوم النماذج بتعليم نفسها بنفسها من خلال إنشاء إشارات التعلم الخاصة بها من البيانات.
نظرًا لأن هذه الطريقة لا تعتمد على مجموعات البيانات الكبيرة الموسومة، فإن تقليل الضوضاء الخاضع للإشراف الذاتي أسرع وأكثر قابلية للتطوير وأسهل في التطبيق في مجالات مثل التصوير الفوتوغرافي في الإضاءة المنخفضة والتصوير الطبي وتحليل صور الأقمار الصناعية، حيث لا تتوفر صور مرجعية نظيفة في كثير من الأحيان.
بدلاً من الاعتماد على الصور المرجعية النظيفة، يتدرب هذا النهج مباشرةً على البيانات المشوشة من خلال التنبؤ بالبيكسلات المقنّعة أو إعادة بناء الأجزاء المفقودة. من خلال هذه العملية، يتعلم النموذج معرفة الفرق بين تفاصيل الصورة ذات المغزى والضوضاء العشوائية، مما يؤدي إلى مخرجات أكثر وضوحًا ودقة.
على الرغم من أنه قد يبدو مشابهًا للتعلم غير الخاضع للإشراف، إلا أن التعلم الخاضع للإشراف الذاتي هو في الواقع حالة خاصة منه. الفرق الرئيسي هو أنه في التعلّم الخاضع للإشراف الذاتي، يقوم النموذج بإنشاء تسمياته الخاصة أو إشارات التدريب الخاصة به من البيانات لتعلم مهمة محددة. في المقابل، يركز التعلّم غير الخاضع للإشراف على إيجاد أنماط أو هياكل خفية في البيانات دون أي مهمة واضحة أو هدف محدد مسبقًا.
فيما يتعلق بإلغاء التشويش الخاضع للإشراف الذاتي، هناك عدة طرق للتعلم. تقوم بعض نماذج إزالة الضوضاء الخاضعة للإشراف الذاتي بملء وحدات البكسل المقنعة أو المفقودة، بينما يقارن البعض الآخر بين إصدارات متعددة مشوشة من نفس الصورة للعثور على تفاصيل متسقة.
على سبيل المثال، تركز طريقة شائعة تُعرف باسم تعلّم البقعة العمياء على تدريب نموذج إزالة التشويش على تجاهل البكسل الذي يعيد بناءه والاعتماد على السياق المحيط بدلاً من ذلك. بمرور الوقت، يعيد النموذج بناء صور عالية الجودة مع الحفاظ على القوام والحواف والألوان الأساسية.
بعد ذلك، سنستكشف العملية الكامنة وراء كيفية إزالة التعلم الخاضع للإشراف الذاتي للضوضاء.
تبدأ عملية إزالة التشويش الخاضعة للإشراف الذاتي عادةً بتغذية الصور المشوشة بنموذج إزالة التشويش. يقوم النموذج بتحليل وحدات البكسل القريبة لتقدير الشكل الذي يجب أن يبدو عليه كل بكسل غير واضح أو بكسل مقنع، ويتعلم تدريجيًا التمييز بين الضوضاء والتفاصيل المرئية الحقيقية.
فكر في صورة لسماء مظلمة ومحببة. ينظر النموذج إلى النجوم القريبة والأنماط المحيطة بها للتنبؤ بالشكل الذي يجب أن تبدو عليه كل رقعة مشوشة بدون ضوضاء. من خلال تكرار هذه العملية عبر الصورة بأكملها، يتعلم النموذج فصل الضوضاء العشوائية عن السمات ذات المعنى، مما ينتج عنه نتيجة أوضح وأكثر دقة.
بعبارة أخرى، يتنبأ النموذج بنسخة أنظف من الصورة بناءً على السياق، دون الحاجة إلى مرجع نظيف تمامًا. يمكن تنفيذ هذه العملية باستخدام أنواع مختلفة من النماذج، لكل منها نقاط قوة فريدة في التعامل مع الضوضاء.
فيما يلي نظرة سريعة على أنواع النماذج التي يشيع استخدامها لإزالة الضوضاء من الصور الخاضعة للإشراف الذاتي:
يساعد تدريب هذه النماذج باستخدام صور تم التقاطها في إعدادات إضاءة مختلفة وإعدادات ISO على العمل بشكل جيد في العديد من المواقف الواقعية. في الكاميرات الرقمية، تتحكم إعدادات ISO في مدى سطوع الكاميرا للصورة من خلال تضخيم الإشارة التي تستقبلها.
تجعل حساسية ISO الأعلى الصور أكثر سطوعًا في الأماكن المظلمة ولكنها تزيد أيضًا من التشويش وتقلل من التفاصيل. من خلال التعلم من الصور الملتقطة بمستويات ISO مختلفة، تتحسن النماذج في تمييز التفاصيل الحقيقية عن التشويش، مما يؤدي إلى نتائج أكثر وضوحًا ودقة.
تتعلم أجهزة إزالة التشويش التمييز بين الضوضاء وتفاصيل الصورة الحقيقية من خلال تقنيات تدريب مختلفة، وهي منفصلة عن أنواع النماذج المستخدمة لإزالة التشويش. تصف أنواع النماذج مثل السي إن إن إن والترميز التلقائي والمحولات بنية الشبكة وكيفية معالجتها للمعلومات المرئية.
من ناحية أخرى، تحدد تقنيات التدريب كيفية تعلم النموذج. تستخدم بعض الأساليب التنبؤ القائم على السياق، حيث يملأ النموذج وحدات البكسل المفقودة أو المحجوبة باستخدام معلومات من المناطق القريبة.
يستخدم آخرون التعلّم القائم على إعادة البناء، حيث يقوم النموذج بضغط الصورة إلى شكل أبسط ثم إعادة بنائها، مما يساعده على التعرف على البنى ذات المعنى مثل الحواف والأنسجة مع تصفية الضوضاء العشوائية.
يُحدد نوع النموذج وتقنية التدريب معًا مدى فعالية مُزيل التشويش في تنظيف الصور. من خلال الجمع بين البنية الصحيحة ونهج التعلّم الصحيح، يمكن لمزيلات الضوضاء ذاتية الإشراف التكيف مع العديد من أنواع الضوضاء وإنتاج صور أكثر وضوحًا ودقة حتى بدون بيانات مرجعية نظيفة.
التقنيات الرئيسية في إزالة الضوضاء عن الصور الخاضعة للإشراف الذاتي للذكاء الاصطناعي
فيما يلي بعض تقنيات التدريب الأكثر استخدامًا التي تمكّن من تقليل التشويش الذاتي الفعال للصور الخاضعة للإشراف الذاتي:
إن تقليل التشويش في الصورة هو توازن دقيق بين هدفين: تقليل التشويش والحفاظ على التفاصيل الدقيقة سليمة. يمكن أن يؤدي الإفراط في تقليل التشويش إلى جعل الصورة تبدو ناعمة أو ضبابية، بينما يمكن أن يؤدي الإفراط في تقليل التشويش إلى ترك تحبيب أو تشويش غير مرغوب فيه.
ولفهم مدى نجاح النموذج في تحقيق هذا التوازن، يستخدم الباحثون مقاييس تقييم تقيس كلاً من وضوح الصورة والحفاظ على التفاصيل. توضح هذه المقاييس مدى جودة النموذج في تنظيف الصورة دون فقدان المعلومات المرئية المهمة.
فيما يلي مقاييس التقييم الشائعة التي تساعد في قياس جودة الصورة وأداء تقليل التشويش:
والآن بعد أن أصبح لدينا فهم أفضل لماهية تقليل التشويش، دعنا نستكشف كيف يتم تطبيق تقليل التشويش الذاتي للصور الخاضع للإشراف الذاتي في سيناريوهات العالم الحقيقي.
ليس من السهل التقاط صور واضحة للنجوم والمجرات. فالسماء ليلاً مظلمة، لذلك غالباً ما تتطلب الكاميرات أوقات تعريض ضوئي طويلة، مما قد يؤدي إلى تشويش غير مرغوب فيه. يمكن لهذا التشويش أن يطمس التفاصيل الكونية الدقيقة ويجعل من الصعب اكتشاف الإشارات الخافتة
يمكن أن تساعد أدوات إزالة الضوضاء التقليدية في تقليل التشويش، لكنها غالبًا ما تزيل تفاصيل مهمة معها. يوفر تقليل التشويش الخاضع للإشراف الذاتي بديلاً أكثر ذكاءً. من خلال التعلم مباشرةً من الصور المشوشة، يمكن لنموذج الذكاء الاصطناعي التعرف على الأنماط التي تمثل ميزات حقيقية وفصلها عن التشويش العشوائي.
والنتيجة هي الحصول على صور أكثر وضوحًا للأجرام السماوية مثل النجوم والمجرات والشمس، مما يكشف عن تفاصيل خافتة قد لا يمكن ملاحظتها. ويمكنه أيضًا تحسين السمات الفلكية الدقيقة، مما يحسن وضوح الصورة ويجعل البيانات أكثر فائدة للبحث العلمي.
غالباً ما تلتقط صور الفحوصات الطبية مثل التصوير بالرنين المغناطيسي والتصوير المقطعي المحوسب والصور المجهرية ضوضاء قد تجعل من الصعب رؤية التفاصيل الصغيرة. قد يكون هذا الأمر مشكلة عندما يحتاج الأطباء إلى اكتشاف العلامات المبكرة للمرض أو تتبع التغيرات مع مرور الوقت.
يمكن أن يأتي تشويش الصور من حركة المريض، أو انخفاض قوة الإشارة، أو القيود المفروضة على كمية الإشعاع التي يمكن استخدامها. لجعل عمليات المسح الطبي أكثر وضوحاً، استكشف الباحثون طرقاً ذاتية الإشراف لإزالة التشويش مثل Noise2Self وغيرها من الأساليب المماثلة.
تم تدريب هذه النماذج مباشرةً على صور الرنين المغناطيسي للدماغ المشوشة، حيث تتعلم أنماط التشويش من تلقاء نفسها وتقوم بتنظيفها دون الحاجة إلى أمثلة واضحة تماماً. أظهرت الصور المعالجة نسيجاً أكثر وضوحاً وتبايناً أفضل، مما يسهل تحديد البنى الدقيقة. تعمل أجهزة إزالة التشويش المدعومة بالذكاء الاصطناعي هذه على تبسيط سير العمل في التصوير التشخيصي وتحسين كفاءة التحليل في الوقت الفعلي.
في معظم الحالات، يكون لتقليل التشويش تأثير كبير عبر مجموعة كبيرة من تطبيقات الرؤية الحاسوبية. فمن خلال إزالة الضوضاء والتشوهات غير المرغوب فيها، ينتج عن ذلك بيانات إدخال أنظف وأكثر اتساقًا لنماذج الذكاء الاصطناعي للرؤية لمعالجتها.
تؤدي الصور الأكثر وضوحًا إلى تحسين الأداء في مهام الرؤية الحاسوبية مثل اكتشاف الأجسام، وتجزئة النماذج، والتعرف على الصور. فيما يلي بعض الأمثلة على التطبيقات التي يمكن أن تستفيد فيها نماذج الذكاء الاصطناعي للرؤية، مثل Ultralytics YOLO11 و Ultralytics YOLO26، من إزالة التشويش:
فيما يلي بعض الفوائد الرئيسية لاستخدام تقليل التشويش الخاضع للإشراف الذاتي في أنظمة التصوير:
على الرغم من فوائدها، فإن إزالة الضوضاء تحت الإشراف الذاتي تأتي أيضًا مع بعض القيود. فيما يلي بعض العوامل التي يجب مراعاتها:
يساعد تقليل الضوضاء الخاضع للإشراف الذاتي نماذج الذكاء الاصطناعي على التعلم مباشرةً من الصور المشوشة، مما ينتج عنه نتائج أوضح مع الحفاظ على التفاصيل الدقيقة. تعمل هذه التقنية بفعالية عبر مجموعة متنوعة من السيناريوهات الصعبة، مثل الإضاءة المنخفضة وحساسية ISO العالية والصور التفصيلية. مع استمرار تطور الذكاء الاصطناعي، من المرجح أن تلعب هذه التقنيات دورًا أساسيًا في مختلف تطبيقات الرؤية الحاسوبية.
انضم إلى مجتمعنا واستكشف مستودع GitHub الخاص بنا لاكتشاف المزيد عن الذكاء الاصطناعي. إذا كنت تتطلع إلى إنشاء مشروعك الخاص بالذكاء الاصطناعي المرئي الخاص بك، تحقق من خيارات الترخيص لدينا. استكشف المزيد حول تطبيقات مثل الذكاء الاصطناعي في الرعاية الصحية والذكاء الاصطناعي المرئي في البيع بالتجزئة من خلال زيارة صفحات الحلول الخاصة بنا.
