🤖 AI

Symmetrical Flow Matching: Unified Image Generation, Segmentation, and Classification with Score-Based Generative Models

تقدم هذه الورقة SymmFlow، وهو إطار عمل متماثل لتدفق المطابقة (Symmetrical Flow Matching) موحد يتعلم بشكل مشترك التحويلات الأمامية والعكسية لتحقيق أداء رائد في توليد الصور، والتجزئة، والتصنيف ضمن نموذج واحد مع تمكين الاستدلال الفعال في خطوة واحدة.

المؤلفون الأصليون: Francisco Caetano, Christiaan Viviers, Peter H. N. De With, Fons van der Sommen

نُشر 2026-03-24

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Francisco Caetano, Christiaan Viviers, Peter H. N. De With, Fons van der Sommen

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 أن لديك شارعًا سحريًا ذا اتجاهين في مدينة صاخبة. على أحد الجانبين، لديك الصور الفوتوغرافية (صور حقيقية). وعلى الجانب الآخر، لديك المخططات (خرائط دلالية، مثل رسم تخطيطي لكتاب تلوين أو مجرد تسمية بسيطة تقول "قطة").

عادةً، في عالم الذكاء الاصطناعي، يكون هذان الجانبان في حيين منفصلين.

حي "الفهم": النماذج هنا تشبه المحققين. ينظرون إلى صورة ويقولون: "هذه قطة!" (التصنيف)، أو "ها هي بالضبط أذنا القطة!" (التجزئة). هم بارعون في التحليل، لكنهم لا يستطيعون الرسم.
حي "الابتكار": النماذج هنا تشبه الفنانين. يأخذون لوحة بيضاء ومطالبة (Prompt) ليرسموا قطة جميلة. لكنهم سيئون جدًا في التحليل؛ إذا عرضت عليهم صورة، فقد لا يعرفون ما هي.

لفترة طويلة، حاول العلماء بناء جسر بين هذين الحيين، لكن الجسور كانت مهتزة، بطيئة، أو تجبر الفنان والمحقق على التحدث بلغات مختلفة.

إليك SymmFlow (مطابقة التدفق المتماثل - Symmetrical Flow Matching).

اعتبر SymmFlow بمثابة مترجم عالمي وآلة زمن في آن واحد. هو لا يبني مجرد جسر؛ بل ينشئ طريقًا سريعًا واحدًا وسلسًا حيث يمكنك التنقل ذهابًا وإيابًا فورًا.

الفكرة الجوهرية: استعارة "التدفق" (The Flow Metaphor)

تخيل نهرًا يتدفق بين بحيرتين.

البحيرة (أ) (الصورة): صورة تفصيلية وجميلة لكلب.
البحيرة (ب) (التسمية/الوسم): رسم تخطيطي بسيط لكلب أو مجرد كلمة "كلب".

في الماضي، كان محاولة تحويل الصورة إلى رسم تخطيطي (أو العكس) يشبه محاولة صب الماء من مزهرية كريستالية فاخرة في دلو دون سكب أي قطرة. كان الأمر فوضويًا وبطيئًا.

SymmFlow يغير القواعد:
إنه يعامل عملية التحول كأنها رقصة متماثلة.

الرقصة الأمامية: يأخذ الصورة التفصيلية ويحولها ببطء إلى "ضجيج" (Static)، وفي الوقت نفسه يحول "الضجيذ" إلى تسمية واضحة.
الرقصة العكسية: يأخذ تسمية ويحولها إلى صورة، بينما يحول الصورة عائدة إلى ضجيج.

لأن الرقصة متماثلة (تعمل بشكل مثالي في كلا الاتجاهين في نفس الوقت)، فإن النموذج يتعلم العلاقة الدقيقة بين الصورة والتسمية. إنه يفهم أن "هذا الترتيب المحدد للبكسلات" يجب أن يساوي "هذه التسمية المحددة".

لماذا يعد هذا أمرًا بالغ الأهمية؟ (القوى الخارقة)

1. معجزة "الخطوة الواحدة"

معظم مولدات الصور بالذكاء الاصطناعي (مثل تلك التي تصنع الفن من النصوص) تشبه الطباخين البطيئين. يحتاجون إلى تحريك القدر 50 أو 100 مرة (خطوات) للحصول على وجبة مثالية. إذا توقفت مبكرًا، سيكون الطعام نيئًا.

SymmFlow يشبه الميكروويف. نظرًا لأنه تعلم "المسار المثالي" أثناء التدريب، يمكنه الانتقال من التسمية إلى الصورة في خطوة واحدة فقط (أو خطوات قليلة جدًا).
النتيجة: يمكنك الحصول على صورة عالية الجودة في ثوانٍ، وليس دقائق.

2. قوة "كتاب التلوين" (التجزئة - Segmentation)

عادةً، إذا كنت تريد من الذكاء الاصطناعي أن يخبرك بالضبط أين يوجد كل جسم في صورة ما (التجزئة)، فأنت بحاجة إلى نموذج منفصل وثقيل.

SymmFlow يمكنه النظر إلى صورة وفي نفس اللحظة الخاطفة، يقوم بعمل "تدفق عكسي" ليكشف عن المخطط الأساسي. يمكنه أن يخبرك: "هذا البكسل هو سيارة، وهذا البكسل هو شجرة،" دون الحاجة إلى نموذج محقق منفصل. يفعل ذلك من خلال التساؤل: "إذا حولت هذه الصورة إلى رسم تخطيطي، فكيف سيبدو هذا الرسم؟"

3. خدعة "تخمين الفئة" (التصنيف - Classification)

هل يمكنك تخمين ما هي الصورة بمجرد رؤية كيف تتحول إلى ضجيج؟

SymmFlow يمكنه فعل ذلك أيضًا. يأخذ صورة، ويمررها عبر محرك "التدفق العكسي" الخاص به، ويرى إلى أي تسمية ستستقر بشكل طبيعي. إذا تدفقت صورة القطة نحو تسمية "قطة" بشكل أسرع وأنظف من تسمية "كلب"، فإن النموذج يعرف أنها قطة. إنه سريع للغاية في هذا أيضًا.

المرونة في "عدم وجود قواعد صارمة"

كانت النماذج القديمة مثل حراس النوادي الصارمين. كانوا يطالبون بـ: "إذا كنت تريد توليد صورة، يجب أن تكون تسميتك بنفس حجم الصورة تمامًا. قناع (Mask) بمقاس 512x512 لصورة بمقاس 512x512. لا استثناءات."

SymmFlow هو الحارس الهادئ والودود.

"مهلًا، يمكنك إعطائي تسمية صغيرة بمقاس 1x1 تقول فقط 'قطة'، وسأصنع لك صورة ضخمة وتفصيلية بمقاس 512x512."
"أو، يمكنك إعطائي خريطة تفصيلية لوجه، وسأخبرك باسم الشخص."
إنه لا يهتم بعدم تطابق الحجم. إنه يفهم المفهوم، وليس مجرد عدد البكسلات.

النتائج في العالم الحقيقي

اختبرت الورقة البحثية هذا النموذج على مجموعات بيانات شهيرة:

CelebAMask-HQ: صنع وجوه من رسومات تخطيطية. تفوق SymmFlow على أفضل الطرق السابقة، محققًا درجة (FID) بلغت 11.9 (الأقل هو الأفضل).
COCO-Stuff: صنع مشاهد معقدة (مثل شارع به سيارات، بشر، وأشجار) من التسميات. حقق درجة 7.0، وهو ما يعد الأفضل في فئته (State-of-the-art).
السرعة: قام بكل هذا في 25 خطوة، بينما احتاج المنافسون إلى مئات الخطوات.

الخلاصة

SymmFlow يشبه "السكين السويسري" للرؤية الحاسوبية بالذكاء الاصطناعي. بدلاً من امتلاك أداة منفصلة للرسم، وأداة منفصلة للتحليل، وأداة منفصلة للتخمين، فإنه يجمعها جميعًا في محرك واحد فعال يعمل في اتجاهين.

إنه يثبت أنه إذا علمت الذكاء الاصطناعي كيفية إنشاء شيء ما بشكل مثالي، فإنه يصبح تلقائيًا خبيرًا في فهمه، والعكس صحيح. والأفضل من ذلك؟ أنه يفعل كل هذا دون انتظار طويل.

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "Symmetrical Flow Matching: Unified Image Generation, Segmentation, and Classification with Score-Based Generative Models."

1. بيان المشكلة

تعامل أطر الرؤية الحاسوبية الحالية عادةً المهام التمييزية (التصنيف، التجزئة) والمهام التوليدية (توليد الصور) كمسائل منفصلة ذات بنيات متميزة.

محدودية النماذج الموحدة الحالية: تعاني المحاولات الأخيرة لتوحيد هذه المهام (مثل SemFlow وDepthFM) من ثلاث مشكلات رئيسية:
1. الافتقار إلى التصنيف: غالبًا ما تفشل في دعم تصنيف الصور.
2. مقايضات الجودة: جودة الصور المولدة غالبًا ما تكون أدنى من النماذج التوليدية البحتة ذات الأداء العالي.
3. القيود الصارمة: تفرض علاقة واحد لواحد (one-to-one mapping) صارمة بين القناع الدلالي المدخل والصورة الناتجة، مما يتطلب أن يحتوي القناع على نفس عدد قنوات الصورة. هذا يحد من المرونة، ويمنع استخدام الملصقات الفئوية العالمية (للتصنيف) أو اختلاف دقة الأقنعة.
كفاءة الاستدلال: تتطلب المصنفات القائمة على الانتشار (Diffusion-based classifiers) عادةً عمليات أخذ عينات تكرارية عبر جميع الفئات الممكنة، مما يؤدي إلى تكاليف حوسبة عالية وبطء في الاستدلال.

يقترح المؤلفون إطار عمل يمكنه تفسير (التجزئة/التصنيف) وتوليد الصور في آن واحد ضمن نموذج واحد متماسك دون هذه القيود الصارمة.

2. المنهجية: مطابقة التدفق المتماثل (SymmFlow)

الابتكار الجوهري هو SymmFlow، وهو صياغة جديدة تعتمد على مطابقة التدفق (Flow Matching - FM). على عكس نماذج الانتشار القياسية التي تنمذج عملية إضافة ضجيج أمامية واحدة، يقوم SymmFlow بنمذجة تدفقات ثنائية الاتجاه بين توزيع البيانات $X$ (الصور) والتمثيل الدلالي $Y$ (الأقنعة أو الملصقات).

أ. المفهوم الجوهري: التدفقات المتعارضة

يعامل النموذج التجزئة والتوليد كعمليتين متضادتين:

التدفق الأمامي: يحول الصورة $X$ من الضجيج إلى البيانات بينما يطور الملصق الدلالي $Y$ في الوقت نفسه من البيانات إلى الضجيج.
التدفق العكسي: يحول الضجيج إلى صورة $X$ بينما يطور الملصق المشوش $Y$ عائداً إلى تمثيل دلالي نظيف.
التماثل: يضمن هذا الاتساق ثنائي الاتجاه. يتعلم النموذج حقل سرعة $v_\theta(x_t, y_t, t)$ يوجه كلا التحويلين في آن واحد.

ب. هدف التدريب

يتم تدريب النموذج لتقليل الخطأ التربيعي بين حقل السرعة المتوقع وحقول سرعة النقل الأمثل (Optimal Transport).

الاضطراب (Perturbation): عند الزمن $t \in [0, 1]$ $t \in [0, 1]$ ، يتم اضطراب المدخلات عبر تركيبات خطية مع الضجيج الغاوسي:
- $x_t = (1-t)\xi_x + tx$ (مسار الصورة)
- $y_t = (1-t)y + t\xi_y$ (مسار الملصق)
حقول السرعة: السرعات المستهدفة هي $v_x = x - \xi_x$ و $v_y = \xi_y - y$ .
دالة الخسارة: يقلل النموذج من $\mathcal{L} = \mathbb{E}_{x,y,t} [\|v_\theta(x_t, y_t, t) - v\|^2]$ .

ج. الابتكارات التقنية الرئيسية

الاشتراط المرن (Flexible Conditioning): على عكس الطرق السابقة، لا يشترط أن تتطابق أبعاد $Y$ مع أبعاد $X$ . هذا يسمح لـ $Y$ بأن يكون قناع تجزئة كثيف (على مستوى البكسل) أو ملصق فئوي عالمي (على مستوى الصورة)، مما يتيح كلاً من التجزئة والتصنيف.
إزالة الكمية من الملصقات (Label Dequantization): للتعامل مع الملصقات المنفصلة (الفئات) ضمن تدفق مستمر، طبق المؤلفون تقنية إزالة الكمية (Dequantization). حيث يتم اضطراب الملصقات المنفصلة بضجيج منتظم ( $\epsilon \sim U(-\beta, +\beta)$ ) لإنشاء توزيع مستمر، مما يمنع انهيار النموذج ويضمن استقرار التدريب.
الاستدلال الفعال:
- التصنيف: بدلاً من أخذ العينات لكل فئة (كما في مصنفات الانتشار)، يدمج SymmFlow حقل السرعة مرة واحدة باستخدام حلّل المعادلات التفاضلية العادية (ODE solver) لتطوير الملصق $Y$ من الضجيج إلى فئة محددة. الفئة المتوقعة هي الأقرب إلى الملصب الناتج.
- التجزئة: وبالمثل، يتم توليد أقنعة التجزئة في تمريرة واحدة عن طريق عكس التدفق من الضجيج إلى قناع نظيف.

3. المساهمات الرئيسية

إطار عمل موحد: أول نموذج يقوم بالقيام بـ التجزئة الدلالية، وتصنيف الصور، والتخليق الصوري الدلالي معاً ضمن بنية مطابقة تدفق واحدة.
الاتساق ثنائي الاتجاه: يقدم هدف تعلم متماثل يحافظ على البنية الدلالية أثناء التوليد ويحافظ على إنتروبيا كافية لتخليق صور متنوعة.
القيود المخففة: يلغي التعيين الصارم للقنوات (واحد لواحد) بين الأقنعة والصور، مما يسمح باشتراط مرن (مثل الملصقات العالمية للتصنيف).
الكفاءة العالية: يحقق نتائج عالية الجودة بعدد خطوات استدلال أقل بكثير مقارنة بنماذج الانتشار التقليدية.

4. النتائج التجريبية

تم تقييم النموذج على CelebAMink-HQ (تجزئة الوجه)، وCOCO-Stuff (تجزئة المشاهد العامة)، وMNIST، وCIFAR-10.

أ. التخليق الصوري الدلالي (التوليد)

الأداء: يحقق SymmFlow أداءً رائدًا (SOTA) في التخليق الصوري الدماني.
- CelebAMask-HQ: درجة FID بلغت 11.9 (في 25 خطوة).
- COCO-Stuff: درجة FID بلغت 7.0 (في 25 خطوة).
الكفاءة: تم تحقيق هذه النتيات في 25 خطوة استدلال فقط، بينما تتطلب العديد من نماذج الانتشار المنافسة مئات أو آلاف الخطوات.
الجودة: تظهر التصورات دقة عالية والتزاماً قوياً بالأقنعة الشرطية، مع التقاط التفاصيل الهيكلية بشكل أفضل من النماذج الموحدة السابقة مثل SemFlow.

ب. التجزئة الدلالية

الأداء: يحقق درجات تنافسية في متوسط تقاطع الاتحاد (mIoU).
- COCO-Stuff: حقق 39.6 mIoU (في 25 خطوة)، متفوقاً على SemFlow (35.7).
- CelebAMask-HQ: حقق 69.3 mIoU.
القدرة: يظهر النموذج فهماً دلالياً يتجاوز الحقيقة الأرضية (Ground Truth) (على سبيل المثال، تحديد الكائنات المفقودة من خريطة الملصق بشكل صحيح).

ج. التصنيف

الكفاءة: باستخدام خطوة استدلال واحدة فقط، حقق SymmFlow دقة 99.3% على MNIST و 88.2% على CIFAR-10، وهي نتائج قابلة للمقارنة مع "مصنف الانتشار" (Diffusion Classifier) الذي يتطلب حوالي 2,750 خطوة.
القابلية للتوسع: رفع عدد الخطوات إلى 25 يرفع دقة CIFAR-10 إلى 90.6%، متفوقاً بشكل كبير على مصنف الانتشار (88.5%) وبسرعة أكبر بمراحل.

5. الأهمية والعمل المستقبلي

تحول في النموذج المعرفي: يثبت SymmFlow أن المهام التوليدية والتمييزية ليست متنافرة، بل يمكن نمذجتها كتدفقات متقابلة داخل نظام واحد. هذا يسد الفجوة بين الفهم والتخليق.
الأثر العملي: القدرة على إجراء توليد عالي الجودة وتصنيف/تجزئة دقيق في 25 خطوة (أو حتى خطوة واحدة للتصنيف) تجعل هذه النماذج قابلة للتطبيق في التطبيقات التي تتطلب وقتاً حقيقياً حيث تشكل التكلفة الحسابية عائقاً.
الاتجاهات المستقبلية: يخطط المؤلفون لـ:
- تقطير (Distill) النموذج إلى نسخة تعمل بخطوة واحدة حقيقية لتقليل زمن التأخير بشكل أكبر.
- دمج اشتراط أكثر تعبيراً (مثل التحكم عبر النص باستخدام MMDiT).
- توسيع الإطار ليشمل تقدير العمق والتعديل الصوري الدلالي.

في الختام، يمثل SymmFlow تقدماً كبيراً في نماذج الرؤية الموحدة، حيث يقدم حلاً مرناً وفعالاً وعالي الأداء يتغلب على جمود وعدم كفاءة الهجين بين التوليد والتمييز في النماذج السابقة.