Flower: A Flow-Matching Solver for Inverse Problems

إليك ملخص تقني مفصل لورقة البحث بعنوان "Flower: A FLOW-MATCHING SOLVER FOR INVERSE PROBLEMS".

1. تعريف المشكلة

تتناول الورقة المشكلات العكسية الخطية في التصوير الحسابي، حيث يكون الهدف هو إعادة بناء الإشارة الأساسية $x \in \mathbb{R}^d$ من القياسات المرصودة $y \in \mathbb{R}^M$. تُنمذج عملية الاستحواذ كالتالي:
$$y = Hx + n$$
حيث $H$ هو مؤثر أمامي خطي معروف (مثل التغبيش، أو خفض العينة، أو القناع) و $n$ هو ضجيج أبيض غاوسي مضاف.

يكمن التحدي في الطبيعة سيئة التحديد لهذه المشكلات. فبينما يكون تقدير الاحتمال الأقصى (MLE) غير كافٍ بسبب الجودة الضعيفة، فإن تقدير الاحتمال الأقصى البعدي (MAP) يتطلب توزيعاً مسبقاً معروفاً $p_X$، وهو أمر غير متاح بشكل عام. يهدف المؤلفون إلى حل ذلك من خلال الاستففادة من نماذج التدفق التوليدية المدربة مسبقاً لأخذ عينات من التوزيع الشرطي البعدي $p_{X|Y=y}$، بدلاً من مجرد إيجاد تقدير نقطي واحد. وهذا يسمح بتوليد عمليات إعادة بناء متنوعة وعالية الجودة تتوافق مع كل من البيانات والنموذج المسبق للصور المتعلم.

2. المنهجية: مُحلل Flower

يقدم المؤلفون Flower، وهو مُحلل يستخدم شبكة سرعة (velocity network) مطابقة للتدفق $v_\theta$ مدربة مسبقاً لإجراء حل المشكلات العكسية من خلال إجراء ثلاثي الخطوات بسيط ومتكرر. يعمل هذا الأسلوب عبر $N$ من الخطوات الزمنية، متقدماً من $t=0$ (الضجيج) إلى $t=1$ (إعادة البناء).

الخطوة 1: تقدير الوجهة المتسق مع التدفق

بالنظر إلى الحالة الحالية $x_t$ عند الزمن $t$، تتنبأ شبكة السرعة المدربة مسبقاً بـ "وجهة" $\hat{x}_1(x_t)$ تمثل الهدف المنقى عند $t=1$.
$$\hat{x}_1(x_t) = x_t + (1-t)v_\theta(x_t, t)$$
نظرياً، تحت التدريب الأمثل، تقوم هذه الخطوة بحساب التوقع الشرطي $E[X_1 | X_t = x_t]$.

الخطوة 2: الصقل المدرك للقياسات

يتم صقل الوجهة المقدرة لضمان الاتساق مع القيات المرصودة $y$. يتضمن ذلك إسقاط التقدير على المجموعة الممكنة المحددة بواسطة النموذج الأمامي.
$$\tilde{x}_1(x_t, y) = \mu_t(x_t, y) + \gamma \kappa_t$$

• المتوسط ($\mu_t$): يُحسب عبر مؤثر قريب (proximal operator) يوازن بين حد مطابقة البيانات ($\|Hx - y\|^2$) والحد المسبق (المسافة إلى $\hat{x}_1$). وهذا يعادل حل مسألة تقليل:
  $$\mu_t = \text{prox}_{\nu_t^2 F_y}(\hat{x}_1)$$
  حيث $F_y(x) = \frac{1}{2\sigma_n^2}\|Hx - y\|^2$.
• عدم اليقين ($\kappa_t$): حد ضجيج يتم أخذ عينات منه من توزيع غاوسي محدد $N(0, \Sigma_t)$ للمحاسبة على عدم اليقين البعدي. يتحكم المعامل الفائق $\gamma \in \{0, 1\}$ فيما إذا كان عدم اليقين هذا سيتم تضمينه.
  • ملاحظة: وجد المؤلفون تجريبياً أن $\gamma=0$ (تجاهل عدم اليقين) يعطي نتائج أفضل من حيث PSNR، رغم أن $\gamma=1$ مطلوب لأخذ عينات من التوزيع البعدي الغاوسي الصارم.

الخطوة 3: التقدم الزمني

تُستخدم الوجهة المصقولة $\tilde{x}_1(x_t, y)$ لتحديث المسار للخطوة الزمنية التالية $t+\Delta t$. تضمن هذه الخطوة بقاء المسار متسقاً مع ديناميكيات مطابقة التدفق مع دمج قيود البيانات من خلال خلطها مع ضجيج مصدر جديد $\epsilon \sim p_{X_0}$:
$$x_{t+\Delta t} = (1 - t - \Delta t)\epsilon + (t + \Delta t)\tilde{x}_1(x_t, y)$$
وهذا يضمن بقاء المسار متسقاً مع ديناميكيات مطابقة التدفق مع دمج قيود البيانات.

3. المساهمات الرئيسية

1. مُحلل مطابقة تدفق مبتكر: يقدم Flower مُحللاً تكرارياً من ثلاث خطوات مصمماً خصيصاً لنماذج مطابقة التدفق. إنه يوحد مفاهيم طرق الاستبدال والتشغيل (Plug-and-Play - PnP) (باستخدام مُنقي وخطوة اتساق مع البيانات) مع المُحللات العكسية التوليدية.
2. التبرير البعدي: تقدم الورقة تحليلاً نظرياً صارماً يوضح أن Flower يقرب أخذ العينات السلفي البعدي (Bayesian ancestral sampling) من التوزيع البعدي $p_{X|Y=y}$.
   • أثبتت أن الخطوة 1 تُقدر التوقع الشرطي.
   • أثبتت أن الخطوة 2 تأخذ عينات من توزيع بعدي تقريبي مشتق عبر تقريب $\Pi$GDM (تقريب المقدم الشرطي كتوزيع غاوسي).
   • أثبتت أن العملية التكرارية تتقارب نحو عينة من التوزيع البعدي الحقيقي تحت افتراضات محددة (شبكة سرعة مثالية، نموذج أمامي خطي، ومصدر/هدف مستقل).
3. منظور موحد: يربط المؤلفون الفجوة بين طرق PnP والنمذجة التوليدية. لقد أظهروا أن خطوات Flower تحاكي تحديثات PnP ولكنها تستند إلى إطار احتمالي يبررها كعملية أخذ عينات بعدية.
4. التوسع في المشكلات غير الخطية: توضح الورقة كيف يمكن توسيع نطاق Flower للمشكلات العكسية غير الخطية عن طريق استبدال التحديث الغاوسي ذي الصيغة المغلقة في الخطوة 2 بمخططات أخذ عينات تكرارية (مثل ديناميكيات لانجفين) باستخدام دالة السكور (score function).

4. النتائج العددية والأداء

قيم المؤلفون Flower على معايم قياسية باستخدام مجموعات بيانات CelebA (الوجوه) و AFHQ-Cat عبر خمس مهام: إزالة الضجيج، إزالة التغبيش، رفع الدقة، التغطية العشوائية (Random Inpainting)، والتغطية المربعة (Box Inpainting).

• أداء يضاهي أحدث التقنيات: يحقق Flower نتائج تنافسية أو متفوقة مقارنة بالمحللات القائمة على التدفق (OT-ODE, D-Flow, Flow-Priors) والمحللات القائمة على الانتشار (DiffPIR).
  • في مجموعة بيانات CelebA، حقق Flower-OT (باستخدام اقتران النقل الأمثل - Optimal Transport) أفضل أو أقرب النتائج لـ PSNR/SSIM عبر جميع المهام.
  • تفوق بشكل كبير على النماذج المرجعية في مهام إزالة التغبيش والتغطية (inpainting).
• كفاءة المعاملات الفائقة: ميزة رئيسية هي أن Flower يستخدم معاملات فائقة متطابقة تقريباً عبر مختلف المشكلات العكسية. وخلافاً للطرق الأخرى التي تتطلب ضبطاً خاصاً بكل مهمة، يتطلب Flower فقط مستوى الضجيج $\sigma_n$ وعدد الخطوات $N$.
• دراسات الاستئصال (Ablation Studies):
  • عدم اليقين ($\gamma$): بينما أن $\gamma=1$ مطلوب نظرياً لأخذ العينات البعدية، إلا أن $\gamma=0$ أعطى جودة إعادة بناء أعلى (PSNR) عملياً، غالباً بسبب التركيز على مناطق الاحتمالية العالية.
  • الاقتران (Coupling): أدى اقتران المستقل (IND) في التدريب إلى نتائج أفضل قليلاً من النقل الأمثل (OT)، رغم أن OT يظل منافساً قوياً جداً.
  • الكفاءة: يمتلك Flower وقتاً زمنياً للتنفيذ مقارباً لـ PnP-Flow و OT-ODE، ولكنه أسرع بكثير وأكثر كفاءة في استخدام الذاكرة من D-Flow و Flow-Priors، اللذين يتطلبان الانتشار العكسي عبر مُحللات ODE.

5. الأهمية

تكمن أهمية Flower في قدرته على تقديم تفسير بايستي (Bayesian interpretation) رصين لاستراتيجيات "الاستبدال والتشغيل" (PnP) ضمن إطار عمل مطابقة التدفق.

• التوحيد النظري: يوضح العلاقة بين تحديثات Pest heuristical وتحديثات أخذ العينات البعدية الصارمة، مما يوفر أساساً نظرياً لسبب نجاح هذه الطرق.
• المتانة العملية: يثبت أن نماذج التدفق المدربة مسبقاً يمكن تكييفها مع مختلف المشكلات العكسية بأقل قدر من الضبط، مما يجعلها بديلاً عملياً لنماذج الانتشار في ترميم الصور.
• العمومية: الإطار مرن بما يكفي للتعامل مع نماذج ضجيج مختلفة ويمكن توسيعه للمشكلات العكسية غير الخطية، مما يوسع نطاق تطبيق مطابقة التدفق في التصوير العلمي.

باختصار، يقدم Flower مُحللاً قوياً، ذا أساس نظري، وفعالاً حسابياً للمشكلات العكسية الخطية، محققاً نتائج تضاهي أحدث التقنيات مع توحيد منظورات إعادة البناء القائمة على التحسين والمنظورات القائمة على التوليد.