تحسين غير مراقب للصور ذات الإضاءة المنخفضة من خلال سابقة تكافؤ التوزيع التكراري

تتطلب الطرق القائمة على التعلم العميق لتحسين الصور ذات الإضاءة المنخفضة عادةً كميات هائلة من البيانات التدريبية المزدوجة، والتي تكون غير عملية في السياقات الواقعية. في الآونة الأخيرة، تم استكشاف الطرق غير المراقبة لتقليل الاعتماد على البيانات التدريبية المزدوجة. ومع ذلك، فإنها تؤدي أداءً غير مستقر في سيناريوهات واقعية متنوعة نظرًا لغياب المعرفة السابقة (priors). ولحل هذه المشكلة، نقترح طريقة غير مراقبة لتحسين الصور ذات الإضاءة المنخفضة تعتمد على معرفة سابقة فعالة تُسمى "مبدأ مساواة التوزيع التكراري" (Histogram Equalization Prior - HEP). استلهمت هذه الدراسة من ملاحظة مثيرة للاهتمام تفيد بأن خرائط الميزات للصور التي تم تحسينها باستخدام مساواة التوزيع التكراري والصور الحقيقية (ground truth) شبيهة بعضها البعض. وبشكل محدد، نُصِّف HEP لتوفير كميات وفيرة من المعلومات المتعلقة بالتفاصيل النسيجية والسطوع. وعند دمجها في وحدة تحسين الإضاءة (Light Up Module - LUM)، تساعد في فصل الصور ذات الإضاءة المنخفضة إلى خريطة إضاءة وخرائط انعكاس، ويمكن اعتبار خرائط الانعكاس كصور معادة استرجاعها. ومع ذلك، يُظهر الاستنتاج المستند إلى نظرية ريتينكس أن خرائط الانعكاس ملوثة بالضوضاء. ولذلك، نقدم وحدة فصل الضوضاء (Noise Disentanglement Module - NDM) لفصل الضوضاء عن المحتوى في خرائط الانعكاس، مع المساعدة الموثوقة التي توفرها الصور النظيفة غير المزدوجة. وبتوجيه من مبدأ مساواة التوزيع التكراري وفصل الضوضاء، يمكن لطريقتنا استرجاع تفاصيل أدق، وتعمل بشكل أكثر كفاءة في تقليل الضوضاء في السيناريوهات الواقعية ذات الإضاءة المنخفضة. تُظهر التجارب الواسعة أن طريقتنا تتفوّق على أحدث الخوارزميات غير المراقبة لتحسين الصور ذات الإضاءة المنخفضة، بل وحتى تُواكب أداء أحدث الخوارزميات المراقبة.