ملخص تقني: الإجبار السببي (Causal Forcing)

1. بيان المشكلة

تعتمد الطرق الحالية لتحقيق توليد الفيديو التفاعلي في الوقت الفعلي على تقطير نماذج انتشار الفيديو ثنائية الاتجاه (bidirectional) القوية والمدربة مسبقًا إلى نماذج طالب ذات عدد خطوات قليل وتتابعية (autoregressive - AR). وبينما يعالج هذا النهج مشكلة زمن الاستجابة (latency) في أخذ العينات متعدد الخطوات، فإنه يفرض فجوة معمارية جوهرية: تحويل نموذج يمتلك انتباهًا كاملاً (الوصه إلى الإطارات المستقبلية) إلى بنية سببية تعتمد فقط على السياق الماضي.

تحاول الأساليب الحالية التي تمثل حالة الفن (SOTA)، مثل Self Forcing، جسر هذه الفجوة عبر مسار مكون من مرحلتين:

1. تقطير ODE: تهيئة الطالب (AR) عن طريق استرجاع الإطارات المشوشة إلى إطارات نظيفة باستخدام معلم ثنائي الاتجاه.
2. تقطير مطابقة التوزيع (DMD): لتعزيز الأداء بشكل أكبر.

ومع ذلك، تعاني هذه الأساليب من تدهور كبير في درجة الديناميكية، والجودة البصرية، واتباع التعليمات مقارنة بالتقطير ثنائي الاتجاه القياسي. وتحدد الورقة أن هذا التدهور ينبع من خلل نظري في مرحلة تهيئة ODE. وتحديداً، تنتهك الأساليب الحالية متطلب التحليل المتباين على مستوى الإطار (frame-level injectivity). ففي المعلم ثنائي الاتجاه، يمكن أن يتوافق نفس الإطار المشوش مع عدة إطارات نظيفة متميزة اعتمادًا على السياق المستقبلي. وعندما يتم تدريب طالب (AR) (الذي يفتقر إلى السياق المستقبلي) على رسم خريطة من هذا الإطار المشوش إلى إطار نظيف، فإنه لا يستطيع استعادة خريطة التدفق الفريدة. بدلاً من ذلك، ينهار إلى توقع شرطي (متوسط الإطارات النظيفة الممكنة)، مما يؤدي إلى إنتاج فيديو ضبابي وغير متسق.

2. المنهجية: الإجبار السببي (Causal Forcing)

يقترح المؤلفون الإجبار السببي (Causal Forcing)، وهو إطار عمل مكون من ثلاث مراحل مصمم لجسر الفجوة المعمارية من خلال ضمان التوافق النظري أثناء التهيئة.

المرحلة 1: تدريب الانتشار التتابعي عبر الإجبار بالمعلم (Teacher Forcing)

يقوم المؤلفون أولاً بتدريب نموذج انتشار تتابعي (AR) ليعمل كـ معلم. ويقارنون بين نموذجين للتدريب:

• إجبار الانتشار (Diffusion Forcing - DF): يشترط على الإطارات الماضية المشوشة. وتجادل الورقة بأن هذا يخلق عدم تطابق بين التدريب والاستدلال، حيث يشترط الاستدلال على إطارات ماضية نظيفة.
• الإجبار بالمعلم (Teacher Forcing - TF): يشترط على إطارات ماضية نظيفة.
  ويثبت المؤلفون، نظرياً وتجريبياً، أن الإجبار بالمعلم (TF) هو الأفضل لتدريب انتشار AR، لأنه يربط هدف التدريب بعملية الاستدلال، متجنباً عدم تطابق التوزيع.

المرحلة 2: تقطير ODE السببي

باستخدام نموذج AR المدرب بأسلوب TF كمعلم، يقوم المؤلفون بإجراء تقطير ODE لتهيئة الطالب (AR).

• الآلية: يقوم المعلم (AR) بأخذ عينات من مسارات تدفق الاحتمالات (PF-ODE). وبما أن المعلم تتابعي، فإن PF-ODE الخاص به يحقق طبيعياً التحليل المتباين على مستوى الإطار: لأي إطار مشوش $x^i_t$، يوجد إطار نظيف فريد $x^i_0$ محدد فقط بواسطة التاريخ السببي.
• التدريب: يتم تدريب الطالب $G_\theta$ على استرجاع الهدف النظيف $x^i_0$ من الوسيط المشوش $x^i_t$، بشرط التاريخ النظيف نفسه.
• النتيجة: يسمح هذا الإعداد للطالب بتعلم خريطة التدفق الخاصة بالمعلم بدقة دون الانهيار إلى المتوسط الشرطي، مما يسد الفجوة المعمارية بفعالية.

المرحلة 3: DMD غير المتماثل

بعد تهيئة ODE السببي، تطبق الطريقة نفس إجراء تقطير مطابقة التوزيع (DMD) المستخدم في Self Forcing. تعمل هذه المرحلة على صقل الطالب (AR) ذو الخطوات القليلة، مما يتيح توليد فيديو عالي الجودة وفعال في الوقت الفعلي.

التوسع: توسع الورقة أيضاً هذا المنطق إلى تقطير الاتساق السببي (CD)، مبينة أن استخدام معلم AR أصيل لعملية CD يتفوق بشكل مماثل على CD غير المتماثل الذي يستخدم معلماً ثنائي الاتجاه.

3. المساهمات الرئيسية

1. التحليل النظري للفجوة المعمارية: تحدد الورقة أن فجوة الأداء في التقطير التتابعي الحالي ليست بسبب مرحلة DMD بل تنبع من تهيئة ODE. وتثبت أن تقطير طالب AR من معلم ثنائي الاتجاه ينتهك التحليل المتباين على مستوى الإطار، مما يؤدي إلى الانهيار في التوقعات الشرطية والمخرجات الضبابية.
2. إطار عمل الإجبار السببي (Causal Forcing): منهجية مبتعة من ثلاث مراحل تقوم بـ:
   • تدريب معلم AR باستخدام الإجبار بالمعلم (Teacher Forcing) (الذي ثبت تفوقه على إجبار الانتشار لـ AR).
   • إجراء تقطير ODE سببي باستخدام هذا المعلم لضمان التحليل المتباين.
   • تطبيق DMD غير المتماثل للتحسين النهائي.
3. التفوق التجريبي: تتفوق الطريقة باستمرار على جميع النماذج المرجعية، بما في ذلك نماذج الانتشار ثنائية الاتجاه ونماذج AR المقطرة.

4. النتائج التجريبية

قيم المؤلفون Causal Forcing مقابل مختلف النماذج المرجعية، بما في ذلك النماذج ثنائية الاتجاه (Wan2.1, LTX-1.9B)، ونماذج AR الأصلية (NOVA, Pyramid Flow, SkyReels-V2)، ونماذج AR المقطرة (CausVid, Self Forcing).

المقاييس الرئيسية (على مجموعة حركة مكونة من 100 أمر):

• درجة الديناميكية: تتفوق على SOTA Self Forcing بنسبة 19.3%.
• VisionReward: تتفوق على Self Forcing بنسبة 8.7%.
• اتباع التعليمات: تتفوق على Self Forcing بنسبة 16.7%.
• الإنتاجية (Throughput): تحافظ على نفس الإنتاجية العالية (17.0 FPS) وزمن الاستجابة المنخفض (0.69s) للنماذج التتابعية المقطرة الموجودة، وهي أسرع بكثير من النماذج ثنائية الاتجاه.

النتائج النوعية:
تنتج الطريقة فيديوهات ذات اتساق زمني وجودة بصرية أعلى بكثير مقارنة بـ Self Forcing، الذي غالباً ما يظهر ضبابية وعيوباً. وهي تضاهي أو تتجاوز جودة النماذج ثنائية الاتجاه مع الاحتفاظ بالتفاعلية في الوقت الفعلي.

دراسات الاستئصال (Ablation Studies):

• الإجبار بالمعلم مقابل إجبار الانتشار: يحقق TF جودة بصرية أعلى بكثير (VisionReward +111.2%) مقارنة بـ DF.
• تأثير التهيئة: استبدال تهيئة ODE الخاصة بـ Self Forcing بتهيئة ODE السببية يحسن VisionReward بنسبة 90.0% ودرجة الديناميكية بنسبة 183.3% في إعداد الـ chunk-wise.
• المعلم ثنائي الاتجاه مقابل المعلم الـ AR: استخدام نموذج ثنائي الاتجاه كمعلم لتقطير ODE السببي لا يزال يتفوق على Self Forcing، مما يؤكد أن إعداد التقطير (نوع المعلم) هو المحرك الرئيسي للأداء، وليس فقط تهيئة الطالب.

5. الأهمية والادعاءات

تدعي الورقة أن Causal Forcing يحل عدم التوافق النظري المتأصل في مسارات تقطير الفيديو التتابعية الحالية. ومن خلال فرض التحليل المتباين على مستوى الإطار عبر معلم تتابعي، تمكن الطريقة الطالب من استعادة خريطة التدفق الحقيقية بدلاً من المتوسط الضبابي.

يؤكد المؤلفون أن طريقتهم تحقق هذه المكاسب دون زيادة ميزانية التدريب مقارنة بالنماذج المقطرة الموجودة (باستخدام نفس عدد الخطوات لتهيئة ODE وDMD). يوضح العمل أن "الفجوة المعمارية" ليست عائقاً متأصلاً في نماذج AR ولكنها نتيجة لاستراتيجيات تقطير غير سليمة، وأن جسر هذه الفجوة يسمح لنماذج AR بتحقيق جودة النماذج ثنائية الاتجاه مع السرعة المطلوبة للتطبيقات التفاعلية في الوقت الفعلي.