Enxergar através de uma neblina espessa é difícil tanto para os olhos humanos quanto para câmeras convencionais. Quando a luz encontra pequenas gotas de água suspensas no ar, ela se espalha em diferentes direções e a imagem do que está do outro lado pode simplesmente desaparecer.
Pesquisadores da Universidade Brown, nos Estados Unidos, desenvolveram uma maneira diferente de enfrentar o problema: em vez de tentar registrar continuamente toda a cena, criaram um sistema que presta atenção principalmente nas mudanças provocadas por objetos em movimento.
A tecnologia combina uma câmera inspirada no funcionamento da retina com uma rede neural que processa informações de maneira semelhante aos impulsos elétricos utilizados pelo sistema nervoso.
Em experimentos de laboratório, o conjunto conseguiu identificar, reconstruir e acompanhar objetos em movimento escondidos por neblina e água turva, ambientes nos quais câmeras convencionais já não conseguiam reconhecer os alvos.
Em alguns testes, as reconstruções atingiram índice de similaridade estrutural de até 96% em relação aos objetos originais. A pesquisa foi publicada na revista científica Advanced Science e os resultados foram divulgados nesta quinta-feira (1°).
O problema não é simplesmente a falta de luz
Quando olhamos para um objeto, parte da luz refletida por ele chega aos nossos olhos e permite que o cérebro determine sua forma, posição e outras características. Na neblina, esse caminho fica muito mais complicado.
As pequenas gotículas de água espalham os fótons antes que eles cheguem ao observador. Em água barrenta ou outros meios turvos ocorre um fenômeno semelhante.
O resultado é aquele aspecto esbranquiçado ou difuso no qual detalhes desaparecem progressivamente. Uma câmera tradicional continua registrando toda a cena quadro após quadro, incluindo uma enorme quantidade de luz espalhada pelo ambiente.
A equipe da Brown decidiu abordar o problema de outra forma. Em vez de registrar fotografias completas continuamente, utilizou um dispositivo conhecido como sensor de visão dinâmica, ou DVS.
A câmera não fotografa como uma câmera comum
Um sensor convencional mede a intensidade luminosa de todos os pixels e produz uma sequência de imagens completas. O sensor utilizado pelos pesquisadores funciona de maneira diferente.
Cada pixel reage principalmente quando percebe uma mudança suficientemente grande na intensidade da luz. Se praticamente nada muda naquela região da imagem, o pixel não precisa continuar enviando a mesma informação repetidamente.
Essa arquitetura recebe frequentemente o nome de câmera de eventos. Ela apresenta uma semelhança importante com determinados aspectos do funcionamento da retina humana, que é particularmente eficiente em detectar movimento, bordas e alterações na cena.
Em vez de produzir continuamente uma sucessão de fotografias, o sensor gera uma sequência de pequenos eventos indicando onde e quando ocorreu uma mudança.
Para o problema da neblina, isso oferece uma vantagem interessante.
O fundo provocado pelo espalhamento da luz tende a mudar mais lentamente, enquanto um objeto que atravessa o campo de visão produz alterações rápidas.
O sensor consegue, portanto, reduzir grande parte da informação associada ao fundo e concentrar-se nos sinais relacionados ao alvo em movimento.
O que sai da câmera ainda não parece uma imagem
Há um problema. Os eventos produzidos pelo sensor não formam automaticamente uma fotografia reconhecível. O resultado bruto se parece muito mais com uma nuvem de sinais indicando alterações ao longo do tempo.
Por isso, a segunda parte do sistema é essencial. Os pesquisadores desenvolveram uma rede neural de pulsos, conhecida como spiking neural network. Esse tipo de arquitetura busca reproduzir algumas características da maneira como neurônios biológicos transmitem informações.
No sistema nervoso, células não ficam enviando continuamente valores numéricos como ocorre em muitos sistemas digitais tradicionais. Elas comunicam informações por meio de pulsos elétricos que ocorrem em determinados momentos.
A rede desenvolvida pela equipe recebe diretamente os eventos enviados pela câmera e utiliza essa informação acumulada ao longo do tempo para determinar duas coisas simultaneamente: onde o objeto está e qual é a sua forma.
O sistema possui módulos diferentes para rastreamento e reconstrução da imagem.
Números, caracteres e pássaros foram escondidos
Para descobrir até onde a técnica poderia chegar, os pesquisadores criaram diferentes situações em laboratório. Entre os alvos utilizados estavam números, caracteres japoneses e silhuetas de diferentes espécies de pássaros.
Os objetos foram colocados atrás de materiais que espalhavam fortemente a luz, dentro de água turva e em uma câmara com neblina em movimento. Em alguns experimentos, os alvos não seguiam trajetórias simples ou previamente determinadas.
Eles se deslocavam de maneira aleatória, aumentando a dificuldade do problema. A câmera de eventos captava as mudanças produzidas por esses movimentos e enviava os sinais para a rede neural.
Mesmo quando uma câmera tradicional ou o olho humano já não conseguiam reconhecer claramente o que estava escondido, o sistema conseguia reconstruir a silhueta e acompanhar seu deslocamento.
Os índices de similaridade estrutural das reconstruções variaram aproximadamente entre 81% e 96%, dependendo das condições experimentais.
Sistema consegue acompanhar o objeto enquanto reconstrói sua imagem
Uma diferença importante do trabalho está na combinação das duas tarefas. Há técnicas capazes de encontrar um objeto escondido por um meio dispersivo e outras capazes de produzir imagens através desses ambientes.
A proposta da equipe da Brown foi desenvolver um sistema completo capaz de acompanhar um alvo que se move de maneira imprevisível enquanto também reconstrói sua aparência.
Segundo os autores, trata-se do primeiro sistema neuromórfico de ponta a ponta demonstrado com essa combinação para objetos em movimento aleatório através de meios densamente dispersivos.
A rede processa os mesmos sinais da câmera em dois caminhos. Um módulo calcula continuamente as coordenadas do alvo. Outro tenta reconstruir sua geometria. Um estágio adicional refina a imagem para melhorar contornos e consistência espacial.
Nos testes descritos no estudo, a inferência de uma sequência completa ocorreu em menos de 15 milissegundos. Isso é particularmente importante porque possíveis aplicações da tecnologia, como veículos e robôs, exigiriam respostas rápidas.
Há outra vantagem: gastar menos energia
A arquitetura também foi desenvolvida pensando em eficiência. Como o sensor só transmite eventos quando alguma coisa relevante muda e a rede neural processa informações esparsas em vez de fotografias completas, há muito menos dados circulando pelo sistema.
O próprio sensor consome apenas dezenas de miliwatts, segundo a Universidade Brown. Em uma análise apresentada no estudo, a abordagem com rede de pulsos apresentou uma redução estimada de aproximadamente 18 vezes no consumo computacional em comparação com uma rede neural artificial equivalente.
Esse tipo de economia pode ser particularmente importante para equipamentos alimentados por bateria, como drones e pequenos robôs.
Carros autônomos estão entre as possíveis aplicações
Uma das aplicações mais evidentes seria em sistemas de navegação autônoma. Câmeras utilizadas por veículos podem perder grande parte da capacidade de identificar pedestres, outros carros ou obstáculos quando a visibilidade cai.
Um sensor capaz de extrair informações de objetos em movimento mesmo através de neblina poderia complementar outras tecnologias utilizadas nesses veículos.
Os pesquisadores também mencionam drones de busca e resgate. Durante incêndios, tempestades ou outras situações de emergência, fumaça, neblina e partículas no ar podem impedir que câmeras comuns identifiquem pessoas ou objetos.
A tecnologia também poderia ser adaptada para robôs e veículos subaquáticos, já que os experimentos mostraram funcionamento em água turva.
Há ainda possibilidades em imagens biomédicas, onde a própria estrutura dos tecidos pode espalhar a luz antes que ela alcance um sensor. Essas aplicações, no entanto, são possibilidades futuras. O estudo atual foi realizado principalmente em sistemas experimentais de laboratório.
A câmera ainda tem limitações importantes
A tecnologia não funciona como uma câmera capaz de simplesmente apontar para qualquer coisa escondida pela neblina e revelar uma fotografia perfeita. Como o sensor reage principalmente a alterações na intensidade da luz, o objeto precisa se mover em relação à câmera, ou apresentar alguma mudança temporal, para produzir os eventos necessários.
Um objeto completamente parado em uma cena igualmente estática é muito mais difícil para esse tipo de sistema. Além disso, o protótipo atual reconstrói principalmente silhuetas e formas, e não fotografias completas em escala de cinza ou coloridas.
O desempenho também diminui quando há pouquíssima luz disponível. Os pesquisadores estudam agora formas de utilizar intensificadores de luz para melhorar o funcionamento em ambientes escuros.
Próximo passo pode ser enxergar também a profundidade
Os pesquisadores querem agora levar o sistema além das duas dimensões. Hoje, a tecnologia consegue localizar e reconstruir um objeto na imagem, mas ainda não determina com precisão a distância entre ele e a câmera.
Para acrescentar essa informação de profundidade, a equipe estuda diferentes possibilidades. Uma delas é medir quanto tempo a luz leva para alcançar o objeto e retornar ao sensor, permitindo estimar sua distância.
Outra seria utilizar duas câmeras de eventos, de maneira semelhante aos dois olhos, permitindo obter informações de profundidade a partir das diferenças entre as imagens registradas por cada sensor.
Isso aproximaria a tecnologia de aplicações reais em veículos, drones e robôs, que precisam saber não apenas onde um obstáculo aparece na imagem, mas também a distância que os separa dele.
O princípio por trás da pesquisa, porém, já foi demonstrado. Em vez de tentar registrar tudo o que existe em uma cena tomada pela neblina, o sistema procura aquilo que está mudando, transforma essas alterações em pulsos e deixa uma rede neural reconstruir o que provavelmente está escondido.
É uma estratégia inspirada em uma solução que a natureza utiliza há milhões de anos: não tratar todos os dados visuais como igualmente importantes.
O estudo, intitulado “Neuromorphic Optical Tracking and Imaging of Randomly Moving Targets Through Dynamic Dense Scattering Media”, é assinado por Ning Zhang e Arto Nurmikko, da Universidade Brown, e foi publicado originalmente em 24 de agosto de 2026 na revista Advanced Science. A Universidade Brown divulgou os resultados em 1º de outubro.
