💻 computer science

NAMI: Efficient Image Generation via Bridged Progressive Rectified Flow Transformers

تقدم الورقة البحثية NAMI، وهو إطار عمل لمحول تدفق مستقيم جسري متدرج (Bridged Progressive Rectified Flow Transformer) يعمل على تسريع توليد الصور بشكل كبير وتقليل وقت الاستدلال بنسبة 64% من خلال بنية متسلسلة مكانياً متعددة الدقة مع وحدة BridgeFlow، مع الحفاظ على جودة رائدة وتقديم معيار NAMI-1K للتقييم.

المؤلفون الأصليون: Yuhang Ma, Bo Cheng, Shanyuan Liu, Hongyi Zhou, Liebucha Wu, Dawei Leng, Yuhui Yin

نُشر 2026-03-09

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yuhang Ma, Bo Cheng, Shanyuan Liu, Hongyi Zhou, Liebucha Wu, Dawei Leng, Yuhui Yin

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك فنان تم استئجارك لرسم جدارية ضخمة، واقعية للغاية، لمدينة صاخبة.

الطريقة القديمة (نماذج الذكاء الاصطناعي التقليدية):
تعمل معظم مولدات صور الذكاء الاصطناعي الحالية مثل رسام مثالي يصر على رسم الجدارية بأكملها بدقة كاملة منذ أول ضربة فرشاة. يحاولون الحصول على التفاصيل الدقيقة لآجر واحدة، أو ملمس ورقة شجر، أو انعكاس في نافذة، وكل ذلك في وقت واحد.

المشكلة: هذا الأمر بطيء ومرهق للغاية. يتطلب فريقاً ضخماً من الرسامين (مليارات المعلمات/Parameters) يعملون دون توقف. حتى بالنسبة لمسودة صغيرة، فإنهم يهدرون الوقت في محاولة إتقان تفاصيل لم يتم رسمها بعد.

الطريقة الجديدة (NAMI):
ابتكر مؤلفو هذه الورقة البحثية، NAMI، استراتيجية أذكى. لقد أدركوا أن رسم صورة هو عملية تدريجية. أنت لا تبدأ بالتفاصيل الدقيقة؛ بل تبدأ بمسودة خشنة، ثم تضيف طبقات، وأخيراً تضع اللمسات النهائية.

إليك كيف يعمل NAMI، مقسماً عبر تشبيهات بسيطة:

1. استراتيجية "ماتريوشكا" (الدقة التدريجية)

بدلاً من رسم الصورة الكاملة بدقة 1024×1024 بكسل دفعة واحدة، يقسم NAMI المهمة إلى ثلاث مراحل متميزة، مثل بناء منزل:

المرحلة 1 (المخطط الهندسي): يبدأ الذكاء الاصطناعي بمسودة صغيرة ومنخفضة الدقة (256 بكسل). يستخدم فقط فريقاً صغيراً وخفيف الوزن من الرسامين لتحديد الصورة الكبيرة: "أين السماء؟ أين المبنى؟ هل هناك شجرة؟" إنه يتجاهل كل التفاصيل الصغيرة.
المرحلة 2 (الهيكل الإنشائي): يتم تكبير المسودة إلى حجم متوسط (512 بكسل). الآن، ينضم فريق متوسط الحجم لإضافة الأشكال والهياكل.
المرحلة 3 (اللمسات النهائية): يتم تكبير الصورة إلى الحجم الكامل (1024 بكسل). الآن، يصل الفريق الضخم والكامل لإضافة التفاصيل المعقدة، والملامس، والإضاءة.

لماذا هذا رائع: في الطريقة القديمة، كان الفريق الضخم يعمل في مرحلة "المخطط الهندسي"، وهذا هدر لمهاراتهم الثمينة. يوفر NAMI المال والوقت عبر استخدام الفريق المناسب لحجم المهمة المناسب.

2. "الجسر" (BridgeFlow)

عندما تقوم بعمل زووم (تكبير) من مسودة صغيرة إلى واحدة أكبر، يمكن أن تصبح الأمور فوضوية. قد تصبح الخطوط ضبابية، أو تتغير الألوان بشكل غريب.

الحل القديم: كانت الطرق السابقة تكتفي بـ "التخمين" أو "إعادة التشويش" (re-noise) عند التكبير، وهو أمر يشبه محاولة إصلاح صورة ضبابية عبر تضييق عينيك للنظر إليها. إنه أمر بطيء وغالباً ما يكون غير دقيق.
حل NAMI: قاموا ببناء وحدة BridgeFlow. فكر في هذا الجسر كـ مترجم ذكي أو محول متناسب تماماً. عندما تنتقل الصورة من مرحلة "الفريق الصغير" إلى مرحلة "الفريق المتوسط"، يقوم هذا الجسر فوراً وبسلاسة بترجمة المسودة الخشنة إلى لوحة نظيفة وجاهزة للعمل. إنه يضمن أن "المخطط" يتطابق تماماً مع "الهيكل" دون أي خلل.

3. "خط التجميع" (الكفاءة)

بما أن NAMI يستخدم طبقات (رسامين) أقل في المراحل الأولى ويضيف المزيد من العمال فقط مع كبر حجم الصورة، فإنه يعمل بسرعة أكبر.

النتيجة: يزعمون أنهم قللوا الوقت اللازم لإنتاج صورة عالية الجودة بنسبة 64%. إنه يشبه الانتقال من شخص واحد يرسم الجدارية بأكملها إلى خط تجميع حيث يتولى عمال متخصصون أجزاء محددة من العملية.

4. "الاختبار الجديد" (NAMI-1K)

لاحظ المؤلفون أيضاً أن الاختبارات القياسية المستخدمة لتقييم فن الذكاء الاصطناعي كانت مملة ومتكررة بعض الشيء (مثل سؤال الذكاء الاصطناعي عن رسم "قطة" أو "كلب" مراراً وتكراراً).

لقد أنشأوا اختبارهم الخاص المسمى NAMI-1K. تخيل اختباراً يطلب من الذكاء الاصطناعي رسم "مهرج حزين يأكل تاكو في يوم ثلاثاء ممطر" أو "مدينة مستقبلية مصنوعة من الزجاج". إنه يختبر الذكاء الاصطناعي على القصص المعقدة، والتركيبات الغريبة، والتفضيلات البشرية، وليس فقط على الأشياء البسيطة.

الملخص

NAMI يشبه مدير إنشاءات ذكي لفن الذكاء الاصطناعي. بدلاً من إلقاء طاقم ضخم ومكلف على كل مهمة، فإنه:

يبدأ صغيراً: يستخدم طاقماً صغيراً لرسم المخطط العام.
ينمو تدريجياً: يضيف المزيد من العمال فقط عندما تكبر الصورة.
يسد الفجوات: يستخدم أداة خاصة لضمان أن الانتقال بين المراحل يتم بسلاسة.

النتيجة؟ تحصل على صور جميلة وعالية الجودة بسرعة أكبر بكثير وبقوة حوسبة أقل، مما يجعل من السهل على الجميع استخدام هذه الأدوات القوية.

إليك ملخص تقني مفصل لورقة البحث بعنوان "NAMI: Efficient Image Generation via Bridged Progressive Rectified Flow Transformers".

1. بيان المشكلة

تحقق نماذج توليد النص إلى صورة (T2I) الحديثة، لا سيما تلك القائمة على محولات الانتشار (Diffusion Transformers - DiT) والتدفق المصحح (Rectified Flow) (مثل SD3 وFLUX)، جودة توليد عالية ولكنها تعاني من زمن استجابة مرتفع وتكاليف حوسبة باهظة بسبب أحجام معاملاتها الضخمة.

عدم الكفاءة: غالبًا ما تتبع الطرق الحالية عملية إزالة ضجيج موحدة عبر جميع مراحل أخذ العينات باستخدام كامل قدرة النموذج، متجاهلة حقيقة أن المراحل المبكرة تتطلب فقط توليد تخطيطات (layouts) أولية بينما تتطلب المراحل اللاحقة تفاصيل دقيقة.
التكرار: يؤدي استخدام نفس عدد طبقات المحول (Transformer layers) لمراحل الدقة المنخفضة (التخطيط) والدقة العالية (التفاصيل) إلى تكرار كبير في المعاملات (parameters).
محدودية المعايير المرجعية: تعاني معايير التقييم الحالية (مثل GenEval وDPG-Benchmark) من محدودية تنوع المطالبات (prompts)، والانحيازات التوزيعية، والافتقار إلى تمثيل سيناريوهات المستخدم في العالم الحقيقي.

2. المنهجية: NAMI

يقترح المؤلفون NAMI (Bridged Progressive Rectified Flow Transformers)، وهو إطار عمل يعمل على تفكيك عملية التوليد عبر الأبعاد الزمنية والمكانية والمعمارية لتحسين الكفاءة دون التضحية بالجودة.

أ. بنية التدفق المصحح التصاعدي (Progressive Rectified Flow Architecture)

بدلاً من نموذج موحد واحد، يقوم NAMI بتقسيم عملية توليد التدفق المصحح إلى $K$ من مراحل الدقة (على سبيل المثال، 256 $\leftarrow$ 512 $\leftarrow$ 1024).

التفكيك الزمني والمكاني: يتم تقسيم التدفق إلى $K$ من النوافذ الزمنية التي تقابل دقات مختلفة.
التدرج المعماري:
- مراحل الدقة المنخفضة: تستخدم مجموعة فرعية من طبقات المحول لتوليد تخطيطات الصور وخطوط المفاهيم الأساسية بسرعة.
- مراحل الدقة العالية: يتم إضافة المزيد من طبقات المحول تدريجيًا مع زيادة الدقة للتعامل مع التفاصيل الدقيقة.
- يخلق هذا هيكل DiT "متسلسل مكانيًا" حيث ينمو عمق النموذج مع زيادة الدقة.

ب. وحدة BridgeFlow

لربط هذه المراحل المختلفة، قدم المؤلفون وحدة BridgeFlow قابلة للتعلم.

الوظيفة: تعمل على محاذاة توزيعات الاحتمالات بين نقطة نهاية مرحلة الدقة المنخفضة ونقطة البداية للمرحلة التالية ذات الدقة الأعلى.
الآلية: على عكس الطرق السابقة غير المعلمية (مثل Pyramid Flow) التي تعتمد على إعادة تغيير الحجم وإعادة إضافة الضجيج (وهي طرق غير فعالة وتفتقر إلى التكيف)، تستخدم BridgeFlow تحويلًا خطيًا قابلًا للتعلم ( $W \cdot \text{Up}(\hat{x}) + B$ ).
الفائدة: يضمن هذا الاستمرارية في المسار الاحتمالي مع الحفاظ على الكفاءة الحوسبية والمتانة.

ج. التدريب المشترك متعدد الدقات (Multi-Resolution Joint Training)

يستخدم NAMI استراتيجية تدريب مبتكرة حيث تتم معالجة البيانات ذات الدقات المختلفة في وقت واحد:

التحسين المتزامن: يتم تدريب النموذج على صور بدقات متفاوتة (مثل 256، 512، 1024) ضمن نفس الدفعة (batch).
مشاركة المعرفة: يسمح هذا للنموذج بتعلم الدلالات (semantics) عند الدقات المنخفضة والتفاصيل عند الدقات العالية بشكل متزامن، مما يمنع "النسيان الكارثي" الذي يحدث غالبًا في الضبط الدقيق المتسلسل.
وزن الخسارة: يتم وزن الخسائر من النوافذ الزمنية المختلفة ديناميكيًا لتحقيق التوازن في التقارب (convergence).

3. المساهمات الرئيسية

التدفق المصحح التصاعدي المترابط (Bridged Progressive Rectified Flow): بنية مبتكرة تتيح التدريب والاستدلال متعدد الدقات، مما يسرع تقارب النموذج عبر تعلم الدلالات مبكرًا والتفاصيل لاحقًا.
الاستدلال الفعال عبر التسلسل المكاني: من خلال استخدام طبقات أقل لمراحل الدقة المنخفضة وإضافتها تدريجيًا، يقلل NAMI-2B من وقت الاستدلال بنسبة 64% لصور 1024 $\times$ 1024 مقارنة بنموذج FLUX-2B المرجعي الذي يمتلك نفس إجمالي عدد المعاملات.
وحدة BridgeFlow: آلية محاذاة قابلة للتعلم تحل محل الانتقالات غير المعلمية غير الفعالة، مما يضمن استمرارية تدفق سلسة بين المراحل.
معيار NAMI-1K: مجموعة تقييم جديدة تضم 1,000 مطالبة متنوعة الأطوال والمواضيع (مطالبات قصيرة، ومطالبات طويلة من صنع البشر، ومطالبات طويلة من صنع الذكاء الاصطناعي) للتخفيف من الانحياز التوزيعي وتقييم الأداء في العالم الحقيقي بشكل أفضل.

4. النتائج التجريبية

قام المؤلفون بتقييم NAMI-2B (بـ 2 مليار معامل) مقابل نماذج رائدة مثل FLUX-dev (12 مليار) وSD3-medium (2 مليار) وSANA.

سرعة الاستدلال:
- يولد NAMI-2B صور بدقة 1024 $\times$ 1024 في 2.98 ثانية (على A100)، مقارنة بـ 8.47 ثانية للنموذج المرجعي القائم على FLUX.
- يمثل هذا انخفاضًا بنسبة 64.82% في وقت الاستدلال.
- تصميم التدفق المجزأ وحده يوفر 53% من الوقت؛ بينما وفر تقسيم طبقات النموذج 11% إضافية.
جودة التوليد:
- المعايير الكمية: يحقق NAMI-2B درجات تنافسية أو رائدة في GenEval وDPG-Benchmarks، وغالبًا ما يتفوق على النماذج الأكبر (مثل SD3-medium) رغم امتلاكه معاملات أقل.
- التقييم البشري (NAMI-1K): في هذا المعيار الجديد، سجل NAMI-2B درجة 70.69 إجمالاً، متفوقًا بشكل ملحوظ على SD3-medium (69.97) وInfinity (69.77) وSANA (67.80)، ومقتربًا من أداء FLUX-dev الأكبر بكثير (85.05).
- دراسات الاستئصال (Ablation Studies): أكدت التجارب أن استراتيجية التدفق المجزأ وتقسيم طبقات النموذج ضروريان لتحقيق مكاسب الأداء. كما ثبت أن وحدة BridgeFlow أكثر كفاءة وفعالية من البدائل القائمة على MLP أو CNN.

5. الأهمية

الجدوى التجارية: من خلال تقليل زمن الاستج (latency) وتكلفة الحوسبة بشكل جذري مع الحفاظ على مخرجات عالية الجودة، يجعل NAMI توليد الصور عالي الدقة أكثر جدوى للنشر التجاري والتطبيقات في الوقت الفعلي.
تحول في النموذج المعرفي: يتحدى NAMI نهج "المقاس الواحد يناسب الجميع" في بنيات DiT، مبرهنًا أن القدرة النموذجية التكيفية بناءً على مراحل التوليد هي استراتيجية أكثر كفاءة.
معيار التقييم: يعالج تقديم NAMI-1K الفجوات الحرجة في مقاييس التقييم الحالية، مما يوفر رؤية أكثر شمولية لقدرات النموذج فيما يتعلق بتنوع المطالبات وتفضيلات البشر.
تعدد الاستخدامات: أظهر الإطار قدرة على التكيف مع مهام أخرى، مثل تحرير الصور، من خلال إعادة استخدام التخطيطات في المراحل المبكرة وتعديل التعليمات في المراحل اللاحقة.

في الختام، يمثل NAMI خطوة مهمة نحو الذكاء الاصطناعي التوليدي عالي الكفاءة، حيث يثبت أن التفكيك المعماري الاستراتيجي والتدريب متعدد الدقات يمكن أن يؤديا إلى توليد صور أسرع وعالية الجودة دون الحاجة إلى أعداد هائلة من المعاملات.