ساخت دوربین هوش مصنوعی که در تاریکی کامل عکس رنگی می گیرد

دانشمندان دانشگاه ایروین یک سیستم دوربین ساخته اند که هوش مصنوعی (AI) را با دوربین مادون قرمز ترکیب می کند تا عکس های تمام رنگی را حتی در تاریکی مطلق ثبت کند.
ما در “طیف مرئی” نورها را درک می‌کنیم که بین ۳۰۰ تا ۷۰۰ نانومتر است. نور فروسرخ در این محدوده درک نیست و  بدون کمک فناوری خاص برای انسان‌ها نامرئی است. بسیاری از سیستم‌های دید در شب می‌توانند نور فروسرخ را شناسایی کرده و آن را به یک صفحه نمایش دیجیتال انتقال دهند تا دید تک رنگ برای انسان ممکن شود.
اما دانشمندان تلاش می‌کنند تا این فرآیند را یک قدم جلوتر ببرند و این داده‌های فروسرخ را با یک الگوریتم هوش مصنوعی که رنگ را پیش‌بینی می‌کند، ترکیب کرده‌اند تا تصاویر را به همان شکلی که در صورت وجود نور در طیف مرئی ما ظاهر می‌شدند، در پیش چشم ما بگذارند.
سیستم‌های دید در شب معمولی صحنه‌ها را به‌صورت سبز تک رنگ نشان می‌دهند. اما سیستم‌های دید در شب جدیدتر از دوربین‌های فوق حساس برای تشخیص و تقویت نور استفاده می‌کنند. دانشمندان با با تکنیک‌های کامپیوتری تشخیص تصویر، بهبود تصویر در نور کم و یادگیری ژرف قدم‌های زیادی برای ارتقای تصاویر برداشته‌اند.
دانشمندان در روش جدید، یک الگوریتم تشخیص تصویر مجهز به یادگیری عمیق را توسعه داده‌اند که می‌توان یک تصویر تهیه شده با نور فروسرخ به خوردش داد و سیستم بتواند پیشبینی کند که در صورتی که همان منظره در نور مرئی دیده می‌شد به چه صورت بود.
برای رسیدن به این هدف، دانشمندان از یک دوربین تک رنگ حساس به نور مرئی و نزدیک به مادون قرمز استفاده کردند تا مجموعه‌ای از تصاویر چهره‌ها را تحت نور چند طیفی ثبت کند که شامل قرمز مرئی استاندارد (۶۰۴ نانومتر)، سبز (۵۲۹ نانومتر) و آبی (۴۴۷ نانومتر) و همچنین طول موج مادون قرمز (۷۱۸،۷۷۷ و ۸۰۷ نانومتر) بود.
دوربین‌های معمولی پیکسل‌های آبی (B)، سبز (G) یا قرمز (R) از داده‌ها را برای تولید یک تصویر رنگی قابل درک برای چشم انسان به دست می‌آورند. دانشمندان  بررسی کردند که آیا ترکیبی از نور فروسرخ و طیف نور نزدیک به فروسرخ (NIR) می‌تواند با استفاده از یادگیری عمیق برای بازسازی تصاویر در طیف مرئی انسان استفاده شود.
تیم تحقیقاتی توانستند یک بهینه‌ساز شبکه عصبی برای پیش بینی تصاویر طیف مرئی بسازند.
فعلا سیستم آنها فقط روی تصاویر چهره انسان کار می‌کند و نمی‌تواند روی تصاویر اشیای دیگر پردازش معقولی کند. با این حال، با داده‌های بیشتر و آموزش‌های بیشتر، می‌توان این سیستم را توسعه داد.