DCPI-Depth: تضمين صريح للاتصال الكثيف المسبق في التقدير غير المراقب لعمق الصورة الواحدة

شهدت الفترة الأخيرة ازديادًا ملحوظًا في الاهتمام بتعلم إدراك العمق من مقاطع فيديو أحادية (Monocular Videos) بطريقة غير مراقبة (Unsupervised). وتمثل التحدي الرئيسي في هذا المجال تحقيق تقدير دقيق وموثوق للعمق في السيناريوهات الصعبة، خصوصًا في المناطق ذات النسيج الضعيف أو حيث توجد كائنات ديناميكية. تُقدّم هذه الدراسة ثلاث إسهامات رئيسية من خلال بحث متعمق في "الافتراضات المترابطة الكثيفة" (Dense Correspondence Priors)، بهدف توفير قيود هندسية صريحة للإطارات الحالية. الأول هو خسارة اتساق عمق هندسي-سياقي، التي تستخدم خرائط العمق الناتجة عن التثليث من خلال الت correspon-dences الكثيفة المستندة إلى الحركة الذاتية المقدرة (Estimated Ego-motion) لتوجيه تعلم إدراك العمق من خلال المعلومات السياقية، نظرًا لأن خرائط العمق المُستخرجة صراحةً تلتقط المسافات النسبية الدقيقة بين البكسلات. أما الثاني، فينشأ من ملاحظة وجود علاقة صريحة وقابلة للاستنتاج بين انفصال التدفق البصري (Optical Flow Divergence) وشدة تدرج العمق (Depth Gradient). ولهذا، تم تصميم خسارة ارتباط الخصائص التفاضلية (Differential Property Correlation Loss) لتحسين تقدير العمق، مع التركيز الخاص على التغيرات المحلية. والثالث هو استراتيجية التكيف الثنائي للتيارات (Bidirectional Stream Co-adjustment Strategy)، التي تعزز التفاعل بين التدفقات الصلبة (Rigid Flows) والتدفقات البصرية، وتشجع الأولى على تحقيق ت correspon-dences أكثر دقة، بينما تجعل الثانية أكثر مرونة في التكيف مع مختلف السيناريوهات ضمن افتراضات المشهد الثابت. يُعدّ إطار العمل DCPI-Depth، الذي يدمج جميع هذه المكونات المبتكرة ويُرافق تيارات ثنائية الاتجاه والتعاونية، الأفضل على مستوى الأداء والقدرة على التعميم عبر عدة مجموعات بيانات عامة، ويتفوق على جميع الإطارات السابقة. وبشكل خاص، يُظهر أداءً دقيقًا في تقدير العمق في المناطق الخالية من النسيج والمناطق الديناميكية، ويُظهر نعومة أكثر منطقية. وسيكون الكود المصدري متاحًا للجمهور عبر الرابط mias.group/DCPI-Depth عند النشر.