یک چالش جامع با هدف پیشبرد تکنیک‌های حذف شرایط جوی از ویدیو (Video Weather Removal) رسماً آغاز به کار کرد. چالش LoViF 2026 بر بازیابی ویدیوهای تمیز از ورودی‌های تخریب‌یافته توسط شرایط نامساعد جوی مانند باران و برف تمرکز دارد. این چالش بر دستیابی به نتایج بصری قابل‌قبول و سازگار با زمان تأکید می‌کند و در عین حال ساختار صحنه و دینامیک حرکت را حفظ می‌کند.
این ابتکار مجموعه داده جدید WRV (مخفف Weather Removal Video) را معرفی کرده است که به‌طور خاص برای تحقیقات حذف شرایط جوی از ویدیو طراحی شده. این مجموعه داده شامل ۱۸ ویدیو با ۱٬۲۱۶ فریم سنتزشده جفت‌شده با ۱٬۲۱۶ فریم واقعی در وضوح ۸۳۲ در ۴۸۰ پیکسل است. مجموعه داده به‌صورت راهبردی به سه بخش آموزش، اعتبارسنجی و آزمون با نسبت ۱:۱:۱ تقسیم شده. این تقسیم‌بندی به پژوهشگران امکان می‌دهد روش‌های خود را به‌صورت نظام‌مند توسعه و ارزیابی کنند.
این ابتکار با جلب توجه قابل‌توجه جامعه پژوهشی، ۳۷ شرکت‌کننده را به خود جذب کرد. با این حال، تنها ۵ تیم در نهایت نتایج نهایی معتبر را همراه با برگه‌های اطلاعاتی مربوطه ارسال کردند. این امر پیچیدگی فنی و الزامات دقیق این کار را برجسته می‌کند. پروتکل‌های ارزیابی به‌طور مشترک کیفیت وفاداری و ادراکی را در نظر می‌گیرند. این رویکرد تضمین می‌کند که ارسالی‌ها نه‌تنها محتوای اصلی را به‌دقت بازیابی کنند، بلکه نتایج بصری جذابی نیز تولید کنند.
هدف چالش LoViF 2026 پیشبرد بازیابی ویدیویی مقاوم و واقع‌گرایانه در شرایط جوی واقعی است. این چالش با ارائه معیار استاندارد و مجموعه داده، محیطی ساختاریافته برای جامعه هوش مصنوعی و یادگیری ماشین فراهم می‌کند. این محیط به توسعه، مقایسه و بهبود روش‌های حذف شرایط جوی از ویدیو اختصاص دارد. این پروژه به‌صورت عمومی در دسترس است و به پژوهشگران سراسر جهان امکان می‌دهد به مجموعه داده دسترسی داشته باشند و در پیشرفت این حوزه مهم بینایی ماشین مشارکت کنند.
این چالش توسط تیمی شامل پژوهشگرانی از مؤسسات مختلف سازماندهی شد. چنگ‌هاو چیان (Chenghao Qian) نویسنده مسئول این پروژه بود. این کار تلاشی مشترک برای گسترش مرزهای فناوری بهبود ویدیو، به‌ویژه در مدیریت تخریب‌های جوی واقعی که معمولاً بر فیلم‌های ویدیویی فضای باز تأثیر می‌گذارند، محسوب می‌شود.
گفتگو