Depth Bleeding

تسرّب العمق هو أثرٌ اصطناعي في خريطة العمق، تنتشر فيه مسافة مُقدَّرة بصورة غير صحيحة عبر الحد الفاصل بين سطحين. فعلى سبيل المثال، قد تتلقى وحدات البكسل التابعة لشخص قريب عمق جدار بعيد، أو قد يمتد عمق الشخص إلى الخلفية. وهذا مهم في تقدير العمق، حيث ينبغي أن تصف كل وحدة بكسل المسافة من الكاميرا إلى السطح المرئي المقابل لها.

يكون هذا الأثر أكثر وضوحًا عند انقطاعات العمق—أي المواقع التي يحجب فيها جسمٌ جسمًا آخر يقع على مسافة مختلفة بدرجة كبيرة. وبدلًا من الحفاظ على انتقال حاد، تُنتج خريطة العمق حافةً موضوعة في غير مكانها، أو نطاقًا من القيم المختلطة، أو شكلًا أماميًا يبدو أعرض أو أضيق مما هو عليه فعليًا.

كيفية حدوث تسرّب العمق#

يمكن أن يؤثر تسرّب العمق في خرائط العمق التي تنتجها الشبكات العصبية، والرؤية المجسمة، وكاميرات الضوء المهيكل، ومستشعرات زمن الرحلة، والأنظمة القائمة على LiDAR. وتشمل الأسباب الشائعة ما يلي:

• التنبؤ بالعمق منخفض الدقة متبوعًا بالاستيفاء العادي
• التنعيم المكاني الذي يزيل البنى الرقيقة والحواف الحادة
• هيمنة مناطق الخسارة التدريبية الكبيرة والموحّدة بدلًا من الحدود الضيقة
• التطابق المجسم الملتبس حول مناطق الحجب أو الأسطح الخالية من الملمس
• عدم التطابق بين صور RGB وتسميات العمق الصحيحة مرجعيًا
• قياسات المستشعر التي تجمع بين ارتدادات المقدمة والخلفية

في الأنظمة المجسمة، قد تغطي نوافذ المطابقة وحدات بكسل على جانبي حدّ الجسم. ويوضح دليل ترشيح التفاوتات بعد المعالجة في OpenCV أن الأخطاء تتركز عادةً بالقرب من انقطاعات العمق والمناطق المحجوبة جزئيًا.

يمكن أن تؤدي زيادة الدقة إلى مشكلة مماثلة. فقد تمثل وحدة بكسل واحدة منخفضة الدقة في العمق أسطحًا متعددة، بينما يدمج الاستيفاء الثنائي الخطي البسيط قيمتها مع قيم وحدات البكسل المجاورة. ويمكن للترشيح المراعي للحواف أو الموجَّه أن يقلل هذا التأثير، مع أن حواف الألوان ليست دائمًا حواف عمق حقيقية. ويوضح سير عمل السحابة النقطية في ARKit من Apple التكبير الموجَّه لخريطة عمق المشهد منخفضة الدقة.

المصطلحات ذات الصلة والفروق الرئيسية#

يتداخل تسرّب العمق مع عدة مشكلات أخرى في جودة العمق، لكن كل مشكلة تصف نمطًا مختلفًا من الإخفاق:

• ضبابية الحدود: يصبح الانتقال الحاد تدريجيًا. ويعني تسرّب العمق تحديدًا عبور قيمة غير صحيحة إلى سطح آخر؛ أما الحد الضبابي فقد يغير شكل الجسم الظاهر بوضوح أو لا يغيره.
• البكسلات الطائرة: تظهر نقاط ثلاثية الأبعاد معزولة وغير مستقرة حول الصور الظلية، وغالبًا ما يحدث ذلك لأن قياس المستشعر يخلط بين سطحين. وعادةً ما يشكل التسرّب منطقة أو نطاقًا أكثر استمرارية.
• التباس العمق: تتداخل قيم العمق الخاصة بأجسام منفصلة أو يصبح من الصعب تمييزها، بينما يركز التسرّب على انتشار قيمة سطح واحد إلى سطح آخر.
• نسخ الملمس: يُعاد إنتاج ملمس RGB بصورة غير صحيحة على هيئة تفاصيل هندسية عندما يعامل تحسين العمق الموجَّه بالألوان كل حافة في الصورة على أنها حافة عمق.
• تسرّب البيانات: مشكلة غير مرتبطة في تعلّم الآلة، يُستخدم فيها أثناء التدريب، بصورة غير صحيحة، معلومات لا تتوفر أثناء الاستدلال في العالم الحقيقي.

يمكن أن يؤثر تسرّب العمق أيضًا في خرائط التفاوتات. وتوضح وثائق العمق والتفاوتات من Apple كيفية استخدام المطابقة المجسمة والمنظر المتوازي لاستنتاج المسافة النسبية.

التأثير في العالم الحقيقي#

• الالتقاط الروبوتي: قد يستخدم روبوت المستودع العمق لتحديد حافة صندوق واختيار نقطة إمساك. فإذا تسرّب عمق رف الخلفية إلى الصندوق، فقد يبدو الشكل المُعاد بناؤه غائرًا أو ضيقًا للغاية، مما يؤدي إلى وضع نقطة الإمساك بصورة سيئة. ويكتسب هذا أهمية خاصة في الرؤية الحاسوبية في علم الروبوتات، حيث يمكن للأخطاء الهندسية الصغيرة أن تؤثر في الإجراءات المادية.

• القيادة الذاتية: يمكن أن يؤدي التسرّب حول أحد المشاة أو راكب دراجة أو مركبة إلى تشويه مسافة العائق وشكل السحابة النقطية المُنشأة. وقد يقدّر اكتشاف الأجسام ثلاثي الأبعاد اللاحق بعد ذلك امتدادًا أو موقعًا غير دقيق. ويوفر معيار KITTI للرؤية مشاهد قيادة حقيقية مع بيانات مستشعرات مرتبطة بالكاميرا والعمق لتقييم هذه الأنظمة.

يهم تسرّب العمق أيضًا في الواقع المعزز. فقد تجعل الحدود غير الصحيحة جسمًا افتراضيًا يبدو أمام أثاث حقيقي، بينما ينبغي أن يكون محجوبًا خلفه. ولذلك تكون ثقة المستشعر مفيدة؛ إذ تعيّن خريطة الثقة في العمق لدى ARKit من Apple معلومات الثقة لقياسات العمق، ولا سيما حول الأسطح العاكسة أو الممتصة للضوء التي تمثل تحديًا.

فحص تنبؤات العمق#

تُنتج مهمة تقدير العمق في Ultralytics YOLO خريطة عمق كثيفة متحاذية مع صورة الإدخال. ويجعل سير عمل قصير للتنبؤ فحص الحدود بين المقدمة والخلفية بصريًا أمرًا سهلًا:

from ultralytics import YOLO

# Load a pretrained Ultralytics YOLO26 depth model
model = YOLO("yolo26n-depth.pt")

# Predict, select the first result, and save its visualization
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

result.save(filename="depth_result.jpg")

يحفظ سير عمل YOLO26 هذا نتيجة مرئية يمكن فحصها بحثًا عن الهالات، والصور الظلية المتضخمة، والفجوات المفقودة، والحواف المُلَيَّنة. ولإجراء اختبارات أوسع، يوضح دليل مجموعة بيانات العمق من Ultralytics تنسيق RGB المقترن بالعمق لكل بكسل، بينما يركز تقييم العمق iBims-1 تحديدًا على الانتقالات الحادة والأسطح المستوية. ويُعد معيار iBims-1 الرسمي مفيدًا بصفة خاصة، لأن متوسط الخطأ على مستوى الصورة بأكملها قد يخفي عيوبًا حدودية ضيقة لكنها مهمة من الناحية التشغيلية.

الكشف والتخفيف#

تبدأ المعالجة الفعالة بتسميات عمق عالية الدقة ومحاذاة بعناية. وتشمل الممارسات المفيدة دوال خسارة مراعية للحواف، وميزات متعددة المقاييس، وتحسينًا موجَّهًا بالتقسيم، وترشيح الثقة، والتحقق من الأجسام الرقيقة والانتقالات القوية بين المقدمة والخلفية. وعندما تتوفر ثقة المستشعر، يمكن رفض وحدات البكسل منخفضة الثقة عند الحدود أو معالجتها بصورة منفصلة بدلًا من تنعيمها تنعيمًا أعمى. ومع ذلك، يجب تقييم الترشيح بعناية، لأن إرشادات بيانات العمق المُرشَّحة من Apple تشير إلى أن التنعيم وملء الثقوب يغيران القياسات الأصلية.

ينبغي للفرق مقارنة حواف RGB بانقطاعات العمق، وفحص السحب النقطية المُعاد بناؤها، ومراقبة مشاهد الإنتاج التي تكثر فيها الحدود، بدلًا من الاعتماد على متوسط مقاييس البكسل وحده. ويدعم سير عمل التحقق في Ultralytics التقييم المنهجي للنماذج، بينما توفر منصة Ultralytics أدوات لإدارة مجموعات البيانات، وتدريب النماذج، ونشر سير العمل، ومراقبة أنظمة الرؤية الحاسوبية.