باحثون من جامعة الشارقة يطوّرون تقنية لتحسين عرض الصور على مختلف الشاشات

أسهم الانتشار الواسع للأجهزة الرقمية، مثل الهواتف الذكية والأجهزة اللوحية وأجهزة الكمبيوتر، في ضرورة إجراء تعديلات ديناميكية على أحجام الصور ومقاطع الفيديو لتلبية متطلبات العرض الخاصة بكل جهاز. وعلى الرغم من توفر العديد من التقنيات التي يمكن أن تنفذ هذه المهمة، فإنها لا تزال تفتقر إلى القدرة على تعديل أبعاد الصورة تلقائياً دون تدخل بشري مباشر. لذلك، طوّر علماء من جامعة الشارقة تقنية مبتكرة تعتمد على الذكاء الاصطناعي للتنبؤ بالأبعاد المناسبة للصور، ما يُتيح عرضها بسلاسة على مختلف الأجهزة والشاشات.

اقرأ أيضاً: علي بابا تُطلق نموذج اللغة الكبير كوين 2.5-ماكس لتوليد النصوص والصور والفيديوهات

الحاجة إلى تقنيات إعادة تصميم  الصور

مع ظهور الأجهزة الرقمية، برزت إعادة تصميم الصور (Image Retargeting) كممارسة شائعة. ويقصد بهذه العملية تعديل أبعاد الصورة بحيث يُحفظ كل من محتواها وجودتها البصرية عند تصغيرها لتتناسب مع شاشات أو أجهزة مختلفة، مع الاحتفاظ بجميع العناصر والتفاصيل المهمة.

تشير دراسة أعدها الدكتور محمد السميرات والباحثتان ربى خرسا ورؤى الزعبي، من قسم علوم الحاسوب في جامعة الشارقة بالإمارات العربية المتحدة، ونُشرت في دورية (IEEE Access)، إلى وجود العديد من التقنيات المستخدمة في هذه العملية في الوقت الحالي، من بينها:

القص (Cropping - CR): تقنية تعتمد على إزالة الأجزاء غير الضرورية من الصورة للحفاظ على العناصر المهمة ضمن الإطار الجديد.

التحجيم (Scaling - SCL): تعتمد هذه الطريقة على تحليل بنية الصورة وتقسيمها إلى كتل، بحيث يتغير حجم كل كتلة بناءً على درجة قابليتها للتمدد دون تشويه.

نحت الخطوط (Seam Carving - SC): تقنية ذكية تعتمد على إزالة أو إدراج خطوط من البكسلات، بحيث يتم تصغير الصورة أو تكبيرها مع الحفاظ على العناصر المهمة.

ويوضّح الباحثون وجود العديد من التقنيات الأخرى المستخدمة حالياً، لكنها جميعاً تفتقر إلى القدرة على تعديل أبعاد الصورة تلقائياً دون تدخل بشري، إذ إن "الشاشات المختلفة تتميز بنسب عرض إلى ارتفاع متباينة، ما قد يؤدي إلى اقتصاص الصور أو تشويهها إذا لم تكن مهيأة بشكلٍ مناسب لتلك الشاشات".

تُسلّط الدراسة الضوء على "الفجوة في أتمتة قرار اختيار أفضل نهج لإعادة تصميم الصور بناءً على خصائص الصورة والدقة المستهدفة". ويشير الباحثون إلى أن "أبحاثهم تسعى إلى سد هذه الفجوة من خلال بناء نموذج قادر على تحديد التقنية الأكثر كفاءة في إعادة تصميم الصورة، بحيث يقلل فقدان المعلومات ويحافظ على جودتها".

التنبؤ بالأبعاد لعرض سلس عبر أجهزة مختلفة

يرى الباحثون أن الأتمتة هي الحل الأمثل لتحديد الأبعاد المناسبة للصور وفقاً لمتطلبات العرض المختلفة. وبناءً على ذلك، اقترحوا في دراستهم نماذج تعلم عميق تعتمد على تقنيات التعلم بالنقل (Transfer learning)، من بينها نماذج (ResNet18) و(DenseNet121) و(InceptionV3)، باعتبارها أدوات قادرة على التنبؤ بالأبعاد الصحيحة للصور المدخلة وفقاً لدقة معينة، ما يعزّز جودة العرض ويقلل فقدان المعلومات. وتتميز هذه النماذج بقدرتها على أداء مجموعة واسعة من المهام، تشمل تحليل تفاصيل الصور وبنيتها، والتعرف إلى الصور وتصنيفها، فضلاً عن اكتشاف الأجسام وتجزئة الصور.

لاختبار نهجهم، استخدم الباحثون مجموعة بيانات تضم 46 ألفاً و716 صورة ذات دقة مختلفة، تنتمي إلى 6 فئات من تقنيات إعادة التصميم، وأوضحوا أنهم أجروا تجارب تضمنت إدخال الفئة كعنصر ثالث، مع ترميز الدقة كقناة إضافية في الصورة، ما يعزّز دقة التنبؤ بطريقة إعادة التصميم المناسبة.

اقرأ أيضاً: هل يمكن استخدام الذكاء الاصطناعي للتنبؤ بنجاح الأفلام بناءً على سيناريوهاتها؟

نتائج واعدة وتحسينات مستقبلية

قُيمت النماذج المقترحة باستخدام مقاييس أداء مختلفة، حيث أظهرت النتائج فاعلية النهج المستخدم في الدراسة في اختيار التقنية المناسبة لإعادة التصميم.

ويؤكد الباحثون أن نهجهم يُحسّن كفاءة تصميم الصور، إذ يعزّز دقة وكفاءة التنبؤ بتقنيات إعادة التصميم. ويشيرون إلى أنه "من خلال تحسين الصور لتتناسب مع أحجام الشاشات المختلفة ونسب العرض إلى الارتفاع المتباينة، يمكننا ضمان عرضها بشكلٍ صحيح على مختلف الأجهزة، مع الحفاظ على جودتها بغض النظر عن الاختلافات في أحجام الشاشات أو نسبة العرض إلى الارتفاع". وأضافوا أن التعلم العميق بات سريعاً أحد الأساليب المفضلة في تصنيف طرق إعادة تصميم الصور، بفضل قدراته على استخراج الميزات تلقائياً من الصور والتعرف إلى العلاقات المعقدة بفعالية.

ورغم أن الفريق البحثي لم يحدد موعداً لطرح تقنياته تجارياً، فإنه يؤكد ضرورة إجراء المزيد من الأبحاث لتطوير نموذج قادر على اختيار التقنية المُثلى وإعادة تصميم الصورة إلى الدقة المطلوبة بشكلٍ تلقائي بالكامل. كما يعتزم الباحثون توسيع مجموعة البيانات المستخدمة عبر إضافة المزيد من العينات وأساليب إعادة التصميم، بهدف تحسين دقة النموذج وتعزيز قدرته على التعميم ليشمل نطاقاً أوسع من الاستخدامات.