إلى تصحيح وتحديث التوقف المتسلسل وتحسين الاضمحلال في المشاهد الديناميكية

تُعد تقنيات تصحيح الشاشة الدوارة المشتركة والتأخير المزدوج (RSCD) أمرًا بالغ الأهمية بالنسبة للكاميرات الشائعة من نوع CMOS. ومع ذلك، لا تزال الطرق الحالية تعتمد على تحسين الطاقة التقليدية، وتم تطويرها لمشاهد ثابتة. ولتمكين النماذج القائمة على التعلم من معالجة مشكلة RSCD الواقعية، نقدّم أول مجموعة بيانات، تُسمى BS-RSCD، التي تتضمن حركة ذاتية (ego-motion) وحركة كائنات في مشاهد ديناميكية. تم تسجيل مقاطع فيديو مشوهة وضبابية حقيقية مع بيانات الحقيقة الأساسية (ground truth) في نفس الوقت باستخدام نظام اكتساب يعتمد على مُقسّم الأشعة (beam-splitter).وبسبب العيوب الجوهرية في بنية الشبكة العصبية، يؤدي التطبيق المباشر للطرق الحالية المستقلة لتصحيح الشاشة الدوارة (RSC) أو لتفتيت الضبابية في الشاشة العالمية (GSD) على مشكلة RSCD إلى نتائج غير مرغوبة. ولذلك، نقدّم أول نموذج قائم على التعلم (JCD) لمشكلة RSCD. الفكرة الأساسية تكمن في استخدام تدفقات تحويل ثنائية الاتجاه (bi-directional warping streams) لتعويض الانزلاقات، مع الحفاظ في الوقت نفسه على تدفق التفتيت غير المتحول (non-warped deblurring stream) لاستعادة التفاصيل الدقيقة. تُظهر النتائج التجريبية أن نموذج JCD يحقق أداءً متميزًا على مستوى الحد الأقصى (state-of-the-art) في مجموعة بيانات RSCD الواقعية (BS-RSCD) وفي مجموعة بيانات RSC الاصطناعية (Fastec-RS). يمكن الوصول إلى مجموعة البيانات والكود عبر الرابط: https://github.com/zzh-tech/RSCD.