تخيل أنك تحاول إرسال فيلم إلى صديق عبر اتصال إنترنت فائق البطء. لا يمكنك إرسال الفيلم كاملاً، لذا يتعين عليك ضغطه. في عالم الرؤية الحاسوبية، يحاول العلماء باستمرار اكتشاف أفضل طريقة لتقليص حجم الفيديوهات دون جعلها تبدو ككتل مشوشة وباهتة من البكسلات. إحدى الحيل الشائعة هي الفصل بين "ما هو الشيء" و"كيف يتحرك". فكر في فيديو لشخص يمشي: وجه الشخص وملابسه (الـ "ما هو") يظلان متشابهين إلى حد كبير، بينما حركة أرجله (الـ "كيف") تتغير كل ثانية. حاولت الطرق القديمة حشر جميع معلومات الحركة في وعاء واحد موحد. لكن هذا يشبه محاولة حشر سحابة بطيئة الحركة وطائر طنان سريع الطيران في نفس الصندوق الصغير؛ فإما أن تفقد تفاصيل الطائر أو تضيع مساحة على السحابة.

هذه الورقة البحثية، التي تحمل عنوان MotionStrata، تعالج هذه المشكلة تحديداً. يقترح الباحثون أنه بدلاً من معاملة كل الحركة ككومة واحدة فوضوية، يجب تنظيمها في طبقات، مثل الطبقات الجيولوجية أو كعكة متعددة الطبقات. لقد اقترحوا تقسيم "ميزانية الحركة" إلى جزأين متميزين: طبقة عالمية (Global) تتعامل مع التغييرات الكبيرة والبطيئة (مثل تحرك الكاميرا عبر منظر طبيعي)، وطبقة تفصيلية (Detailed) تركز بدقة لالتقاط الارتجافات السريعة من إطار إلى آخر (مثل رفرفة أجنحة الطائر). ومن خلال تنظيم البيانات بهذه الطريقة، وجدوا أنهم يستطيعون إعادة بناء فيديوهات بجودة أعلى بكثير باستخدام نفس كمية البيانات، مما يثبت أن طريقة تنظيم معلوماتك لا تقل أهمية عن كمية تلك المعلومات.

المشكلة: فخ "المقاس الواحد الذي يناسب الجميع"

تخيل أنك مخرج تحاول وصف مشهد سينمائي لرسام لا يمكنه سوى رسم خطوط قليلة. إذا قلت للرسام: "الكاميرا تتحرك ببطء نحو اليسار، وهناك حشرة صغيرة ترفرف أجنحتها 50 مرة في الثانية"، وأعطيته مجموعة واحدة موحدة من التعليمات، فقد يرتبك. قد يبذل كل جهده في وصف أجنحة الحشرة وينسى حركة الكاميرا، أو العكس.

لفترة طويلة، عملت أدوات ضغط الفيديو مثل هذا الرسام المرتبك. لقد أخذت كل الحركة في الفيديو وضغطتها في تدفق بيانات واحد متجانس. وتجادل الورقة البحثية بأن هذا غير فعال. فالتغييرات الواسعة في المشهد (مثل سيارة تسير في طريق) تكون متوقعة وسلسة، بينما التفاصيل الصغيرة (مثل اهتزاز ورقة شجر في الريح) تكون فوضوية وخاصة بكل إطار على حدة. وعندما تجبر كلا النوعين على الدخول في نفس "الدعم الزمني" (نفس مستوى التفاصيل عبر الزمن)، ينتهي بك الأمر إما بإضاعة المساحة على الأجزاء المتوقعة أو طمس التفاصيل المهمة والسريعة الحركة.

الحل: نهج متعدد الطبقات

يقدم المؤلفون MotionStrata، وهي طريقة جديدة لتنظيم حركة الفيديو. لقد قسموا كود الحركة إلى طبقتين متخصصتين:

1. الحركة العالمية (الصورة الكبيرة): هذه الطبقة تشبه صورة "التايم لابس" (الفاصل الزمني). فهي تلتقط التطور العام للمشهد — تحرك الكاميرا، أو مشي شخص عبر الغرفة، أو انجراف سحابة. ولأن هذه الأشياء تتغير ببطء، يقوم النظام بضغطها بشدة، وتلخيصها عبر جدول زمني أقصر. إنها بمثابة "الهيكل" للفيديو.
2. الحركة التفصيلية (النصوص الدقيقة): هذه الطبقة تشبه الكاميرا عالية السرعة. فهي تظل متوافقة تماماً مع كل إطار لالتقاط الأشياء التي تتغير لحظياً — مثل رفرفة حشرة، أو وميض ضوء، أو تموجات الماء. هذه التفاصيل دقيقة جداً بحيث لا يمكن تلخيصها، لذا تحصل على مساحتها المخصصة.

ولجعل هذا يعمل، يستخدم النظام "دليلاً للتردد". فكر في الأمر كمهندس صوت يفصل بين طبقات "الباص" و"التريبل". يستخدم النظام مرشحاً رياضياً (3D FFT) لتقسيم بيانات الفيديو: الأجزاء السلسة ذات التردد المنخفض تذهب إلى الطبقة العالمية، والأجزاء الحادة ذات التردد العالي تذهب إلى الطبقة التفصيلية.

كيف بنوا ذلك: رقصة الخطوتين

لم يكتفِ الباحثون بتقسيم البيانات فحسب، بل علموا الكمبيوتر كيفية تعلمها بترتيب محدد، باستخدام استراتيجية تدريب "من الخشن إلى الناعم" (coarse-to-fine).

• الخطوة 1: أولاً، علموا الذكاء الاصطناعي إتقان الحركة العالمية. تركوه يتعلم الحركات الكبيرة والبطيئة أولاً، لبناء "هيكل" صلب للفيديو.
• الخطوة 2: بمجرد بناء الهيكل، قاموا بـ "تجميد" هذا الجزء وأدخلوا الحركة التفصيلية. الآن، كان على الذكاء الاصطناعي التركيز فقط على ملء الفجوات وتحسين التفاصيل فوق الهيكل الموجود.

هذا يشبه فناناً يرسم تخطيطاً أولياً لمشهد طبيعي قبل إضافة التفاصيل الدقيقة للأشجار والطيور. إذا حاولت رسم الأوراق قبل رسم جذع الشجرة، فإن اللوحة ستنهار. ومن خلال تجميد الطبقة العالمية خلال الخطوة الثانية، يضمن النظام بقاء الصورة الكبيرة مستقرة بينما تصبح التفاصيل أكثر حدة.

ماذا وجدوا: أفلام أفضل، بيانات أقل

اختبر الفريق MotionStrata مقابل طرق ضغط الفيديو الرائدة الأخرى. استخدموا مجموعة بيانات من مقاطع فيديو مكونة من 16 إطاراً (قصاصات قصيرة) وقاسوا مدى جودة الفيديوهات المعاد بناؤها مقارنة بالأصلية.

• النتائج: تفوقت MotionStrata على المنافسين. في اختبارهم القياسي، حقق النموذج PSNR قدره 28.861 (مقياس لجودة الصورة حيث كلما زاد كان أفضل) و rFVD قدره 71.278 (مقياس لمدى واقعية الفيديو بمرور الوقت حيث كلما قل كان أفضل).
• المقارنة: سجلت الطرق الأخرى، مثل Reducio أو VidTwin، درجات أقل في هذه المقاييس. فعلى سبيل المثال، سجلت Reducio قيمة PSNR بلغت 26.484، بينما كانت VidTwin عند 25.530. إن قدرة MotionStrata على الحفاظ على وضوح كل من المشهد الكبير والتفاصيل الصغيرة منحتها تفوقاً كبيراً.
• اختبارات "ماذا لو": أجرى الباحثون أيضاً "دراسات استئصال" (اختبارات حيث قاموا بإزالة أجزاء من النظام لمعرفة ما سيحدث).
  • إذا أزالوا الطبقة العالمية، فقد فقد الفيديو حركته السلسة والواسعة وبدا متقطعاً.
  • إذا أزالوا الطبقة التفصيلية، بدا الفيديو سلساً ولكنه باهت، وفقد الحواف الحادة للأجسام المتحركة.
  • إذا حاولوا استخدام تدفق بيانات واحد مسطح (الطريقة القديمة "المقاس الواحد الذي يناسب الجميع")، انخفضت الجودة بشكل كبير، حيث وصل الـ PSNR إلى 25.791 فقط.

أكد هذا أن التسلسل الهرمي لم يكن مجرد خدعة تقنية، بل كان ضرورياً. كان النظام يحتاج إلى كلتا الطبقتين للعمل معاً لإعادة بناء الفيديو بأمانة.

ما وراء المختبر: هل يعمل على أشياء جديدة؟

لم يتوقف الباحثون عند بيانات التدريب فقط. فقد اختبروا نموذجهم على فيديوهات لم يراها من قبل، مثل مقاطع من UCF-101 (مجموعة بيانات لأفعال البشر) و RealEstate10K (فيديوهات للمنازل). وبدون أي تدريب إضافي، لا يزال النموذج يعمل بشكل جيد، مما يشير إلى أن النهج "متعدد الطبقات" هو طريقة قوية للتعامل مع أنواع مختلفة من الحركة، وليس فقط الفيديوهات التي تدرب عليها.

تحققوا أيضاً مما إذا كان بالإمكان استخدام بيانات الحركة المضغوطة هذه لـ توليد فيديوهات جديدة. قاموا بتوصيل أكواد MotionStrata بنموذج توليد ذكاء اصطناعي مختلف، ونجح في إنشاء مقاطع فيديو جديدة ومتماسكة بناءً على أوصاف نصية. يشير هذا إلى أن تنسيق "العالمي + التفصيلي" هو لغة مرنة يمكن لأنظمة الذكاء الاصطناعي الأخرى فهمها واستخدامها.

الخلاصة

تشير MotionStrata إلى أن سر ضغط الفيديو ليس مجرد ضغط البيانات بقوة أكبر، بل يتعلق بتنظيمها بذكاء أكبر. من خلال الإدراك بأن بعض الحركات بطيئة وواسعة بينما البعض الآخر سريعة ومحددة، ومعاملتها كطبقات منفصلة، يمكن للنظام الحفاظ على "روح" الفيديو — التدفق السلس للمشهد وحدة التفاصيل — دون الحاجة إلى كمية هائلة من البيانات.

لا تدعي هذه الورقة البحثية أن هذا هو الحل النهائي لجميع عمليات ضغط الفيديو، ويشيرون إلى أن توليد فيديوهات طويلة وعالية الدقة لا يزال يمثل تحدياً. ومع ذلك، فإن تجاربهم تشير بقوة إلى أن تنظيم الحركة في تسلسل هرمي هو مبدأ تصميم قوي. إنه تذكير بأنه في العالم الرقمي، أحياناً تكون أفضل طريقة لتوفير المساحة هي التوقف عن محاولة وضع كل شيء في نفس الصندوق والبدء في بناء منزل متعدد الطبقات بدلاً من ذلك.