تصویربرداری در محیطهایی مانند داخل بافتهای بدن، پشت مه غلیظ یا در میان گردوغبار همواره یکی از چالشهای بزرگ فناوری بوده است؛ زیرا پراکندگی نور باعث میشود تصاویر تار، کمکیفیت و پر از خطا باشند.
اکنون یک تیم تحقیقاتی از UCLA و دانشگاه روچستر با کمک هوش مصنوعی توانستهاند روشی جدید برای بازسازی این تصاویر ارائه کنند. این سامانه میتواند اطلاعات از دسترفته را بازیابی کند و تصویری دقیقتر از محیطهای پیچیده ارائه دهد.
نتایج این پژوهش که در نشریه علمی Light: Science & Applications منتشر شده، نشان میدهد فناوری جدید توانسته کیفیت تصاویر را بیش از دو برابر نسبت به روشهای قبلی افزایش دهد. همچنین این سیستم قادر است تصاویر را تقریبا در زمان واقعی و در چند هزارم ثانیه تولید کند.
یکی از مزیتهای مهم این فناوری، استفاده از دوربینهای کمهزینه سیلیکونی مشابه دوربینهای تلفن همراه است. بسیاری از سامانههای پیشرفته فعلی برای مشاهده در شرایط دشوار به دوربینهای گرانقیمت مادون قرمز نیاز دارند، اما روش جدید میتواند هزینه توسعه تجهیزات تصویربرداری را کاهش دهد.
پژوهشگران برای ساخت این فناوری، یک مدل هوش مصنوعی به نام DeepTimeGate توسعه دادهاند که علاوه بر یادگیری از دادهها، قوانین فیزیک را نیز در فرآیند بازسازی تصویر در نظر میگیرد. این ویژگی باعث میشود هوش مصنوعی تصاویر غیرواقعی تولید نکند و نتیجه نهایی به شرایط واقعی نزدیکتر باشد.
این فناوری میتواند در پزشکی کاربردهای مهمی داشته باشد؛ از بهبود تصویربرداری برای جراحیهای دقیقتر گرفته تا کمک به آزمایشگاهها برای بررسی نمونههای پیچیده مانند خون و شناسایی سلولهای غیرطبیعی یا عوامل بیماریزا.
خودروهای خودران نیز یکی دیگر از حوزههایی هستند که میتوانند از این دستاورد بهره ببرند. دوربینهای مجهز به این فناوری میتوانند در شرایطی مانند مه، باران شدید، گردوغبار یا طوفان شن، محیط اطراف خودرو را بهتر تشخیص دهند و ایمنی حرکت را افزایش دهند.
پژوهشگران معتقدند این فناوری در آینده میتواند در صنایع مختلف، از کنترل کیفیت کارخانهها تا بررسی مواد و محصولات در محیطهای دشوار، مورد استفاده قرار گیرد.
این دستاورد نمونهای از نسل جدید هوش مصنوعی است که تنها بر دادهها تکیه نمیکند، بلکه دانش علمی و قوانین طبیعت را نیز وارد فرآیند تصمیمگیری میکند؛ رویکردی که میتواند مسیر توسعه فناوریهای دقیقتر و قابل اعتمادتر را هموار کند.
Src: Phy