PreResQ-R1: Response-Preference Disentangled Ranking-and-Scoring Reinforcement Optimization for Robust Visual Quality Assessment

عندما ننظر إلى صورة فوتوغرافية أو مقطع فيديو، تحكم أدمغتنا فوراً على جودتها. فنحن نلاحظ ما إذا كانت الألوان باهتة، أو إذا كانت الحواف ضبابية، أو إذا كانت الصورة تبدو محببة. هذا الحكم الغريزي هو ما يسميه الباحثون تقييم الجودة البصرية. لعقود من الزمن، كافحت الحواسيب لمحاكاة هذه القدرة البشرية؛ فقد اعتمدت المحاولات المبكرة على صيغ رياضية جامدة تقيس أخطاء البكسل، لكنها غالباً ما فشلت في مطابقة كيفية إدراك البشر للجمال والوضوح. وفي الآونة الأخيرة، تم تدريب نماذج ذكاء اصطناعي قوية تُعرف بالنماذج متعددة الوسائط الكبيرة على النظر إلى الصور ووصفها. ومع ذلك، عندما تُطلب من هذه النماذج تحديد درجة جودة معينة، فإنها غالباً ما تصبح غير متسقة. فإذا طلبت من النموذج نفسه تقييم نفس الصورة مرتين، فقد يعطي رقمين مختلفين تماماً، أو قد يتناقض منطقه مع درجته النهائية. هذا عدم الاستقرار يجعل من الصعب الوثوق بهذه الأنظمة في التطبيقات الواقعية، بدءاً من تحسين كاميرات الهواتف الذكية وصولاً إلى ضمان جودة فيديوهات البث.

قام فريق من الباحثين في جامعة شانغهاي جياوتونغ بتطوير نهج جديد لحل هذه المشكلة، حيث ابتكروا نظاماً أطلقوا عليه اسم PreResQ-R1. فبدلاً من إجبار الذكاء الاصطناعي على مجرد تخمين رقم أو اتباع ترتيب بشكل أعمى، علموا النموذج فصل مهمتين متميزتين: تثبيت منطقه الخاص ومواءمة تفضيلاته مع الحكم البشري. وجد الباحثون أن عدم الاستقرار في الأنظمة السابقة جاء من ميل النموذج لتوليد تفسيرات مختلفة تماماً لنفس الصورة. ولحل هذه المشكلة، صمموا عملية تدريب تكافئ النموذج ليكون متسقاً في منطقه الداخلي، مع ضمان أن تتوافق درجاته النهائية أيضاً مع ما قد يقوله الإنسان. يقوم النظام بتفكيك تقييم الصورة إلى خمسة أجزاء محددة: مدى حيوية الألوان، وكمية الضجيج أو التحبب المرئية، ومدى حدة التفاصيل، ووضوح الموضوع الرئيسي، ووضوح الخلفية. ومن خلال تقييم هذه الجوانب الخمسة بشكل فردي قبل دمجها، يتعلم النموذج بناء صورة أكثر موثوقية وتفصيلاً للجودة.

اختبر الباحثون هذه الطريقة الجديدة على مجموعة واسعة من الصور ومقاطع الفيديو، بما في ذلك تلك التي تعاني من تشوهات طبيعية مثل الضبابية أو الإضاءة المنخفضة، وكذلك تلك التي أنشأتها أدوات ذكاء اصطناعي أخرى. ووجدوا أن نظامهم تفوق بشكل كبير على الأساليب الحالية. ففي الاختبارات المتعلقة بالصور الثابتة، حسّن النموذج الجديد الدقة بنسبة 5.60 بالمئة مقارنة بأفضل الأساليب السابقة. وبالنسبة لجودة الفيديو، حيث يزداد التحدي لأن النظام يجب أن يحكم على الحركة والزمن، فقد تحسنت الدقة بنسبة 2.53 بالمئة. والأهم من ذلك، أن النموذج لم ينتج أرقاماً أفضل فحسب، بل أنتج تفسيرات أفضل أيضاً. فعندما عُرضت عليه صورة ضبابية لمنظر طبيعي، حدد النموذج بشكل صحيح أن الأوراق خارج نطاق التركيز وأن الخلفية تفتقر إلى التفاصيل، بدلاً من الاكتفاء بتعليق غامض حول كون الصورة "سيئة". إن هذه القدرة على تقديم سبب مهيكل وقائم على الأدلة لدرجته تجعل النظام أكثر موثوقية بكثير.

يعتمد نجاح هذا العمل على استراتيجية تدريب مكونة من مرحلتين تحاكي عملية التعلم. أولاً، يتم تشجيع النموذج على استكشاف طرق مختلفة للنظر إلى الصورة، وتوليد نطاق واسع من الدرجات والأسباب المحتملة. خلال هذه المرحلة، يعاقب النظام الإجابات التي تكون شديدة التشتت أو غير متسقة، مما يوجه النموذج بلطف نحو طريقة تفكير مستقرة. وبمجرد أن يجد النموذج إيقاعاً داخلياً موثوقاً، تركز المرحلة الثانية على ضبط تفضيلاته. هنا، يقارن النظام أحكامه مقابل التقييمات البشرية، ويتعلم تعديل درجاته بحيث تتماشى مع الإدراك البشري. هذا الفصل بين "التفكير بوضوح" و"التقييم بشكل صحيح" يسمح للنموذج بالتعامل مع الحالات الصعبة حيث تكون جودة الصورة ذاتية أو التشوهات معقدة. كما وسع الباحثون هذا النهج ليشمل الفيديو من خلال تحليل تدفق الحركة عبر الزمن وتفاصيل الإطارات الفردية، دون الحاجة إلى إعادة بناء كل حركة في الفيديو.

إن تداعيات هذا البحث تمتد إلى ما هو أبعد من مجرد الحصول على درجة أفضل. فمن خلال إنشاء نظام يمكنه شرح منطقه بطريقة تطابق الإدراك البشري، تفتح هذه التكنولوجيا الباب أمام تطبيقات أكثر قوة في الوسائط الرقمية. وهي تشير إلى أن المفتاح لجعل الذكاء الاصطناعي يفهم الجودة البصرية لا يكمن فقط في تغذيته بمزيد من البيانات، بل في تعليمه أن يكون متسقاً في منطقه الخاص قبل مطالبته بإصدار حكم نهائي. وتثبت الدراسة أنه عندما يتم تدريب النموذج على تثبيت منطقه الداخلي ثم مواءمة ذلك المنطق مع التفضيل البشري، فإنه يمكنه تحقيق مستوى من الموثوقية كان بعيد المنال سابقاً. يقدم هذا النهج مساراً واعداً لتطوير أدوات يمكنها تلقائياً تحسين الصور، وتنظيم محتوى الفيديو، وضمان أن ما نراه على شاشاتنا يعكس حقاً الجودة التي نتوقعها.