ما سبب الألوان الغريبة للصور الملتقطة بالهواتف الذكية

هل سبق لك أن التقطت صورة بهاتفك الذكي واعتقدت أن الألوان لا تشبه الألوان الحقيقية التي تبدو أمامك؟ ربما كانت الألوان تميل إلى اللون البرتقالي أو إلى اللون الأزرق. إليك السبب وما يمكنك فعله حيال ذلك.

قد تكون المشكلة بعيوننا:

على عكس الكاميرا، لا تسجل أعيننا تسجيلاً دقيقاً لما هو أمامنا. بدلاً من ذلك، كل ما نراه هو ما تفسره أدمغتنا. نعم، هذا يعتمد على ما هو أمامنا، ولكن يعتمد أيضاً على ما يعتقد الدماغ أنه يجب أن يراه. هذا هو السبب في أن الخدع البصرية فعالة للغاية (لا يتم خداع أعيننا، ولكن تنخدع أدمغتنا).

تخيل أنك تقرأ كتاباً بجوار نار. ما لون الصفحات؟ إنها ذات لون أبيض. ماذا عن لونها في الخارج في يوم مشمس مشرق أو تحت مصباح الفلورسنت؟ من الواضح أنها ما زالت بلون أبيض.

هذا هو الشيء، إننا نرى صفحات الكتاب بيضاء فقط لأننا نعلم أنها بيضاء. بمعنى آخر، يكون الضوء المنعكس من الكتاب إلى أعيننا لوناً مختلفاً عما نراه. ذلك يثبت أن ما نراه ليس ما هو موجود بالفعل.

لقد استخدمنا إعدادات توازن اللون الأبيض المخصصة لضوء النهار للحفاظ على إعدادات ألوان كاميرا DSLR متطابقة في كلتا اللقطتين. تم إجراء التصحيحات في فوتوشوب Photoshop

عندما التقطتنا الصور أعلاه، بدت الصفحات بيضاء بالنسبة لنا. الآن، على شاشة الكمبيوتر المائلة للون الأزرق، يجب أن ترى لون الضوء الذي تعكسه الصفحات بالفعل.

في حين أن هذا التأثير يكون أكثر وضوحاً مع الأبيض والألوان المحايدة الأخرى، فإنه يؤثر عليهم جميعاً.

توازن اللون الأبيض والتصوير الفوتوغرافي:

يشير مصطلح درجة حرارة مصدر الضوء إلى مدى اللون الأبيض أو البرتقالي أو الأزرق. يتم قياس ذلك بوحدة الكلفن Kelvin، والتي تعادل مدى سخونة الجسم الأسود المثالي لإصدار هذا الضوء الملون.

على سبيل المثال، تبلغ درجة حرارة لون ضوء الشموع حوالي 1850 كلفن، بينما تبلغ درجة حرارة لون ضوء النهار حوالي 5900 كلفن؛ ينبعث الضوء البرتقالي (الدافئ) من مصادر ذات درجة حرارة لونية أقل من مصادر الضوء الأكثر برودة (الأكثر زرقة).

عندما تلتقط صورة بهاتفك الذكي، يجب عليك أن تحاول تصحيح درجة حرارة الضوء. حاول أيضاً تصحيح محور اللون الأخضر-الأرجواني، لكن المحور البرتقالي-الأزرق أكثر أهمية.

إذا كنت تلتقط صورة بجوار مصدر ضوء دافئ، فستحاول الكاميرا جعل الصورة أكثر زرقة تلقائياً بحيث يبدو كل شيء أكثر حيادية عندما تنظر إليه لاحقاً.

سوف تفعل العكس إذا كنت بالقرب من ضوء أزرق. حيث أن الصفحات في الكتب بيضاء وليست برتقالية أو زرقاء.

لاحظ مدى تشابه الألوان في الصورتين الآن؟

هذا ما يسمى موازنة اللون أو موازنة اللون الأبيض، وهو جانب مهم من جوانب التصوير الفوتوغرافي. حيث يقوم المحترفون بذلك يدوياً أو يقومون بتصحيحه في مرحلة ما بعد الإنتاج (تم تصحيح الصور أعلاه في برنامج أدوبي لايت رووم Adobe Photoshop Lightroom). ومع ذلك، فإن هاتفك الذكي يقوم بذلك في الغالب تلقائياً.

تكمن المشكلة في أنه ما لم تكن تعمل مع أضواء الاستوديو القابلة للتحكم والتوازن من مخطط مرجعي للألوان، فإن تحقيق توازن أبيض دقيق حقاً هو أمر مستحيل.

على سبيل المثال، إذا كان هناك مصدران للضوء في مشهد ما، فلا يمكنك تحقيق التوازن بينهما دون القيام بالكثير من العمل في برنامج فوتوشوب Photoshop. تبدو كلتا الصورتين أعلاه أكثر دقة من الصور الأصلية، لكن كلاهما ليس صحيحاً تماماً.

هل توازن اللون الأبيض دقيق؟ لا. هل تبدو جيدة؟ نعم

أيضاً، ليس بالضرورة أن يكون توازن اللون الأبيض المحايد هو ما يمنحك أفضل الصور أو أكثرها إثارة أو حتى أكثر الصور دقة. إذا كنت تلتقط صورة لشخص مضاء بشمعة، فستحتاج إلى القليل من التوهج الإضافي للون البرتقالي في الصورة حتى تبدو طبيعية.

كان توازن اللون الأبيض التلقائي الذي يصحح التوهج البرتقالي الناتج عن حرائق الغابات في الولايات المتحدة مشكلة كبيرة للأشخاص الذين يحاولون مشاركة ما يرونه بدقة.

تُعَد إعدادات توازن اللون الأبيض أحد تلك الأشياء التي تتطلب نهجاً فنياً أكثر من نهج علمي للتصوير الفوتوغرافي.

التحكم في توازن اللون الأبيض في هاتفك الذكي:

شاشة إعدادات توازن اللون الأبيض في تطبيق Halide لنظام iOS

بشكل عام، لا يمكنك التحكم في توازن اللون الأبيض عند التصوير بهاتف ذكي. إذا كانت خوارزمية توازن اللون الأبيض التلقائي للكاميرا لا تعطي النتيجة المرجوة في المشهد الذي تقوم بتصويره، فسيتعين عليك مزيداً من التحكم اليدوي.

على آيفون iPhone، يمكنك استخدام تطبيق من جهة خارجية؛ نوصي باستخدام VSCO (مجاني) أو Halide (8.99 دولاراً).

إذا كان لديك هاتف يعمل بنظام أندرويد Android، فستصبح الأمور أكثر تعقيداً بعض الشيء. على هاتف سامسونج Samsung، يمكنك التحكم في توازن اللون الأبيض في وضع المحترف Pro.

قد يكون لدى الآخرين أيضاً خياراً مدمجاً في تطبيق الكاميرا؛ إذا لم يكن الأمر كذلك، فقد تحتاج إلى استخدام تطبيق كاميرا تابع لجهة خارجية، مثل Open Camera (مجاني).

بشكل عام، في تطبيق الكاميرا الذي يدعمه الهاتف، سيكون لخيار توازن اللون الأبيض إعدادات مسبقة لظروف الإضاءة المختلفة، مثل الغيوم وضوء النهار والظل ومصباح التنغستن وما إلى ذلك. إذا لم يكن الأمر كذلك، فقد يكون هناك شريط تمرير يمكنك ضبطه للتصوير بقيمة كلفن مخصصة.

تصحيح توازن اللون الأبيض بعد التقاط الصورة:

يعد الحصول على توازن اللون الأبيض بدقة أثناء التصوير أحد الخيارات، ولكن من الأسهل التصوير، ثم تصحيحه بعد ذلك.

عندما يحفظ هاتفك الذكي الصور كملفات JPEG أو HEIC (وهو ما تفعله جميع الهواتف تقريباً)، يتم تخزين إعدادات توازن اللون الأبيض في الصورة النهائية.

يمكنك إجراء تعديلات لاحقاً، لكن لا يمكنك تغييرها كثيراً. لحسن الحظ، هناك تنسيق آخر يمكنك استخدامه إذا كنت تريد أن تكون قادراً على التعديل لاحقاً: RAW.

في الملف ذو التنسيق RAW، يتم حفظ معلومات توازن اللون الأبيض مع الصورة. بعد ذلك، في محرر صور RAW (مثل أدوبي لايت رووم Adobe Lightroom أو فوتوشوب Photoshop)، يمكنك تغيير توازن اللون الأبيض إلى أي قيمة تريدها.

العيوب الوحيدة هي أنه يتعين عليك معالجة الصور قبل أن تتمكن من مشاركتها كما أنها تشغل مساحة أكبر على محرك الأقراص الثابتة.

يدعم كل من آي أو إس iOS وأندرويد Android صور RAW، ولكن مرة أخرى، قد تضطر إلى استخدام تطبيق كاميرا تابع لجهة خارجية للحصول على صور بهذا التنسيق.

إذا كان هذا يبدو لك كثيراً من العمل الشاق، فهو كذلك فعلاً. بمجرد أن تبدأ في البحث في أدوات التحكم اليدوية، يصبح التصوير أبطأ كثيراً لأنك بحاجة إلى فهم أعمق لما يحدث للحصول على نتائج جيدة.

الخيار الأسهل هو السماح لهاتفك الذكي بالتعامل مع الأشياء قدر الإمكان. ومع ذلك، إذا كنت تريد توازن اللون الأبيض الأكثر دقة (أو المزيد من التحكم فيه)، فقم بتثبيت تطبيق كاميرا تابع لجهة خارجية لاستخدامه عند الحاجة.

مقالات قد تعجبك:

إزالة الأشخاص من الصور بسهولة باستخدام برنامج الفوتوشوب
كيفية زيادة عدد الإجراءات التي يمكن التراجع عنها عند الضغط على Ctrl+Alt+Z في برنامج الفوتوشوب
كيفيّة استرجاع كلمة مرور حساب Steam في حالة نسيانها
كيفية استعادة حساب واتساب عند نسيان PIN رمز التحقق بخطوتين

أداة الذكاء الاصطناعي لتحسين الصور الضبابية أظهرت تحيزاً عرقياً

إنها صورة مثيرة للجدل توضح ما يمكن تسميته بالتحيّز المتأصل في أبحاث الذكاء الاصطناعي. تم إدخال صورة منخفضة الدقة لباراك أوباما، أول رئيس أسود للولايات المتحدة، في خوارزمية مصممة لتوليد الوجوه لصور مبكسلة، وظهرت النتيجة رجل أبيض!

إنه ليس أوباما، وإذا قمت بتطبيق نفس الخوارزمية لإنشاء صور عالية الدقة للممثلة Lucy Liu أو عضوة الكونجرس Alexandria Ocasio-Cortez من صور منخفضة الدقة، ستبدو الوجوه الناتجة بيضاء بشكل واضح.

وكما ورد في إحدى التغريدات الشهيرة نقلاً عن مثال صورة أوباما: “هذه الصورة تتحدث عن مخاطر التحيز في الذكاء الاصطناعي”.

ولكن ما الذي يسبب هذه النتائج وما الذي يخبروننا به حقاً عن تحيز الذكاء الاصطناعي؟

أولاً، نحتاج إلى معرفة القليل عن التكنولوجيا المستخدمة هنا، البرنامج الذي يولد هذه الصور هو خوارزمية تسمى PULSE، والتي تستخدم تقنية تعرف باسم رفع مستوى (ترقية) معالجة البيانات المرئية Upscaling to process visual data.

Upscaling أو الترقية هي مثل التكبير والتحسين التي تراها في التلفاز والأفلام، ولكن على عكس هوليوود، لا يمكن للبرامج الحقيقية إنشاء بيانات جديدة من لا شيء.

فمن أجل تحويل صورة منخفضة الدقة إلى صورة عالية الدقة، يجب على البرنامج ملء الفراغات باستخدام التعلم الآلي.

في حالة PULSE، فإن الخوارزمية التي تقوم بهذا العمل هي StyleGAN، والتي تم إنشاؤها بواسطة باحثين من شركة إنفيديا NVIDIA.

على الرغم من أنك ربما لم تسمع عن StyleGAN من قبل، فمن المحتمل أنك على دراية بعملها. إنها الخوارزمية المسؤولة عن جعل هذه الوجوه البشرية الواقعية جداً التي يمكنك رؤيتها على مواقع مثل ThisPersonDoesNotExist.com؛ وجوه واقعية جداً لدرجة أنها تُستخدم غالباً لإنشاء ملفات شخصية وهمية لوسائل التواصل الاجتماعي.

ما تفعله PULSE هو استخدام خوارزمية StyleGAN لتخيل النسخة عالية الدقة من المدخلات المبكلسة (ضبابية على شكل بكسلات). وهي لا تفعل ذلك من خلال تحسين الصورة الأصلية منخفضة الدقة، ولكن من خلال إنشاء وجه عالي الدقة جديد تماماً، بحيث عندما يتم بكسلته (تحويله إلى بكسلات كبيرة)، سيبدو نفس الوجه الذي أدخله المستخدم.

هذا يعني أنه يمكن تطبيق الخوارزمية الترقية وإنتاج كل صورة بعدة طرق، بنفس الطريقة التي تصنع بها مجموعة واحدة من المكونات أطباق مختلفة من الطعام.

ولهذا أيضاً يمكنك استخدام PULSE لمعرفة ما يبدو عليه رجل Doom ، أو بطل Wolfenstein 3D، أو حتى الرموز التعبيرية التي تبكي بدقة عالية.

لا يعني أن الخوارزمية تبحث عن تفاصيل جديدة في الصورة كما هو الحال في التكبير والتحسين؛ ولكن بدلاً من ذلك، يخترع وجوهاً جديدة استناداً إلى بيانات الإدخال.

كان هذا النوع من العمل ممكناً نظرياً لبضع سنوات سابقة من الآن، ولكن، كما هو الحال غالباً في عالم الذكاء الاصطناعي، وصل إلى جمهور أكبر عندما تمت مشاركة نسخة سهلة التشغيل من الكود عبر الإنترنت في نهاية هذا الأسبوع. وذلك عندما بدأت التفاوتات العرقية في الظهور.

يقول منشئو PULSE أن الاتجاه واضح: عند استخدام الخوارزمية لتوسيع الصور المنقطة، غالباً ما تولد الخوارزمية وجوهاً ذات ميزات قوقازية.

كتب منشئو الخوارزمية على Github:

يبدو أن خوارزمية PULSE تنتج وجوهاً بيضاء بشكل متكرر أكثر بكثير من وجوه الأشخاص الملونين، من المرجح أن هذا التحيز موروث من مجموعة البيانات StyleGAN التي تم تدريبها، على الرغم من أنه قد تكون هناك عوامل أخرى لا ندركها.

بمعنى آخر، نظراً للبيانات التي تم تدريب StyleGAN عليها، عندما تحاول ابتكار وجه يشبه صورة الإدخال المنقطة، يتم تعيينها افتراضياً على الميزات البيضاء.

هذه المشكلة شائعة للغاية في التعلم الآلي، وهي أحد أسباب أداء خوارزميات التعرف على الوجه بشكل أسوأ على الوجوه غير البيضاء والأنثوية.

غالباً ما تنحرف البيانات المستخدمة في تدريب الذكاء الاصطناعي نحو الرجال الديموغرافيين البيض، وعندما يرى البرنامج البيانات ليست في هذه الديموغرافية، فإن أداءه يضعف. ليس من قبيل الصدفة، فالرجال البيض هم الذين يسيطرون على أبحاث الذكاء الاصطناعي.

في الواقع، إن هذه الصورة المفردة أثارت خلافات شديدة بين أكاديميين ومهندسين وباحثين في الذكاء الاصطناعي.

على المستوى الفني، بعض الخبراء ليسوا على يقين من أن هذا مثال على تحيز مجموعة البيانات، حيث يقترح عالم الذكاء الاصطناعي Mario Klingemann أن اللوم يقع على خوارزمية اختيار PULSE نفسها، بدلاً من البيانات.

يلاحظ Klingemann أنه كان قادراً على استخدام StyleGAN لتوليد المزيد من النتائج غير البيضاء من نفس صورة أوباما المنقطة، كما هو موضح أدناه:

تم إنشاء هذه الوجوه باستخدام نفس المفهوم ونموذج StyleGAN نفسه ولكن طرق البحث المختلفة لـ Pulse، كما يقول Klingemann، الذي يقول إنه لا يمكننا الحكم على خوارزمية من عينات قليلة فقط.

وقال:

ربما هناك الملايين من الوجوه المحتملة التي ستختزل جميعها إلى نفس النمط المبكسل وكلها صحيحة على حد سواء.

بالمناسبة، هذا أيضاً هو السبب في أنه من غير المرجح أن تستخدم مثل هذه الأدوات لأغراض المراقبة. الوجوه التي تم إنشاؤها بواسطة هذه العمليات خيالية، وكما توضح الأمثلة أعلاه، ليس لها علاقة تذكر بالحقيقة الأساسية للمدخلات. إنها ليست مثل العيوب التقنية الضخمة التي منعت الشرطة من تبني التكنولوجيا في الماضي).

ولكن بغض النظر عن السبب، تبدو مخرجات الخوارزمية متحيزة، وهو أمر لم يلاحظه الباحثون قبل أن تصبح الأداة متاحة على نطاق واسع.

وفي تصريح لـ Deborah Raji، باحثة في الذكاء الاصطناعي، قالت أن هذا النوع من التحيز نموذجي جداً في عالم الذكاء الاصطناعي.

حقيقة أن بعض الباحثين يبدو أنهم حريصون على معالجة جانب البيانات فقط من مشكلة التحيز هو ما أثار جدالات أكبر حول صورة أوباما.

أصبح كبير علماء الذكاء الاصطناعي في فيسبوك Yann LeCun نقطة مضيئة في المحادثات بعد أن غرد رداً على الصورة قائلاً إن أنظمة ML متحيزة عند انحياز البيانات، مضيفاً أن هذا النوع من التحيز يمثل مشكلة أكثر خطورة في منتج منتشر من ورقة أكاديمية المعنى الضمني: لا تقلق كثيراً بشأن هذا المثال بالذات.

العديد من الباحثين، من بينهم راجي، اعترضوا على تأطير LeCun، مشيرين إلى أن التحيز في الذكاء الاصطناعي يتأثر بالظلم والتحيزات الاجتماعية الأوسع.

وأشار آخرون إلى أنه حتى من وجهة نظر تقنية بحتة، فإن مجموعات البيانات العادلة غالباً ما تكون غير ذلك.

على سبيل المثال، ستكون مجموعة بيانات من الوجوه التي تعكس بدقة التركيبة السكانية للمملكة المتحدة بيضاء في الغالب لأن المملكة المتحدة بيضاء في الغالب.

إن أداء خوارزمية تم تدريبها على هذه البيانات أفضل على الوجوه البيضاء من الوجوه غير البيضاء. وبعبارة أخرى، لا يزال بإمكان مجموعات البيانات العادلة إنشاء أنظمة متحيزة. (في سلسلة رسائل لاحقة على تويتر Twitter، أقر LeCun بوجود أسباب متعددة لتحيز الذكاء الاصطناعي).

صرحت راجي أنها فوجئت أيضاً بتصريح LeCun بأن على الباحثين أن يقلقوا من التحيز أقل من المهندسين الذين ينتجون أنظمة تجارية، وأن هذا يعكس نقص الوعي في أعلى مستويات الصناعة.

تقول راجي: Yann LeCun يقود مختبراً صناعياً معروفاً بالعمل على العديد من مشاكل البحث التطبيقي التي يسعون بانتظام إلى إنتاجها، أنا حرفياً لا أستطيع أن أفهم كيف لا يعترف شخص في هذا المنصب بالدور الذي يلعبه البحث في وضع معايير للنشر الهندسي.

عندما تم الاتصال بها بشأن هذه التعليقات، أشار LeCun إلى أنه ساعد في إنشاء عدد من المجموعات، داخل فيسسبوك Facebook وخارجه، والتي تركز على عدالة وسلامة الذكاء الاصطناعي.

ومع ذلك، يتم بناء العديد من أنظمة الذكاء الاصطناعي التجارية مباشرة من بيانات وخوارزميات البحث دون أي تعديل للتفاوت العرقي أو النوعي، الفشل في معالجة مشكلة التحيز في مرحلة البحث يديم فقط المشاكل القائمة.

وبهذا المعنى، فإن قيمة صورة أوباما ليست أنها تكشف عن خلل واحد في خوارزمية واحدة؛ إنها توصل، على مستوى بديهي، الطبيعة المنتشرة لتحيز الذكاء الاصطناعي.

ومع ذلك، فإن ما تخفيه هو أن مشكلة التحيز أعمق من أي مجموعة بيانات أو خوارزمية، إنها مشكلة منتشرة تتطلب أكثر من الإصلاحات التقنية.

كما رد أحد الباحثين، Vidushi Marda، على تويتر Twitter على الوجوه البيضاء التي تنتجها الخوارزمية: هذه ليست دعوة إلى التنوع في مجموعات البيانات أو الدقة المحسنة في الأداء، إنها دعوة لإعادة النظر بشكل أساسي في المؤسسات والأفراد الذين يقومون بتصميم هذه التقنية وتطويرها ونشرها في المقام الأول.

مقالات قد تعجبك:

واتساب أضاف ميزة الملصقات المتحركة إلى النسخة التجريبية ثم أزالها
إصدار جديد قادم لسلسة ألعاب Crash Bandicoot بعد أكثر من 20 عاماً!
خدمة الدفع الجديدة في واتساب توقفت في البرازيل
ما هي تقنية بلوتوث 5.1 الجديدة ؟ و ما ميزاتها ؟
بلوتوث 5.1 هو مستقبل المنزل الذكي SmartHome
لماذا تحسن إعادة التشغيل من أداء الهاتف وتحل المشاكل العامة؟