ملخص تقني: فهم التدهور باستخدام نموذج الرؤية واللغة (DU-VLM)

1. بيان المشكلة

تواجه أنظمة الإدراك البصري تدهورات معقدة في المدخلات ناتجة عن ظواهر فيزيائية متشابكة (مثل التشتت الجوي، الضوضاء في الإضاءة المنخفضة، أو ضبابية الحركة). وبينما تتفوق نماذج الرؤية واللغة (VLMs) الحديثة في الوصف النوعي للعيوب الصورية، إلا أنها تفشل في فهم الفيزياء البارامترية الكامنة وراء هذه التدهورات. إن النهج الحالية وصفية إلى حد كبير، حيث تحدد وجود العيوب لكنها تفتقر إلى القدرة على نمذجة المعلمات الفيزيائية الحاكمة (مثل شدة الضوء الجوي، الانحراف المعياري للنواة، أو قيم الكسب). هذا القصور يحد من فائدتها في أنظمة الاستعادة المبدئية والقابلة للتحكم. وتفترض الورقة أن الفهم الحقيقي للتدهور يتطلب تحولاً من الوصف النصي الحر إلى التنبؤ الهيكلي الهرمي الذي يقدر في آن واحد أنواع التدهور، ومفاتيح المعلمات، وقيمها الفيزيائية المستمرة.

2. المنهجية

2.1. التنبؤ الهيكلي الهرمي

أعاد المؤلفون صياغة فهم التدهور كمسأة تنبؤ هرمية محددة بمجموعة من الثلاثيات $D = \{(t, k, v)\}$:

• المستوى 1 (النوع $t$): فئة عالية المستوى (مثل: ليل، ضباب، ضبابية، دقة منخفضة).
• المستوى 2 (المفاتيح $k$): سمات فيزيائية خاصة بالنوع (مثل: الضوء الجوي، تصحيح غاما، الانحراف المعياري).
• المستوى 3 (القيم $v$): التكميم العددي المستمر (سكالر، فيكتور، أو خرائط مكانية).

وقد أثبت المؤلفون نظرياً أن هذه المهام الفرعية غير المتجانسة (التصنيف، اختيار المفتاح، والانحدار) يمكن توحيدها تحت نموذج واحد لـ التنبؤ بالرمز التالي عبر التوليد الذاتي (NTP). كما أظهروا أن خسارة الـ NTP تتحلل إلى خسائر تصنيف الهيكل وخسائر انحدار القيم، مع حدود خطأ تعتمد على شبكة تكميم فضاء القيم.

2.2. بنية DU-VLM

إن نموذج DU-VLM المقترح هو نموذج سلسلة أفكوت (CoT) متعدد الوسائط مبني على Qwen3-VL-8B.

• المدخلات متعددة الوسائط: يعالج النموذج الصورة المتدهورة جنباً إلى جنب مع إشارات بصرية مساعدة: طيف السعة اللوغاريتمي لتحويل فوريه السريع (FFT) وخرائط حواف سوبل (Sobel). تعمل هذه المدخلات على كشف عيوب النطاق الترددي والوهن الهيكلي لتوجيه عملية الانتباه.
• استدلال سلسلة الأفكار (CoT): بدلاً من الانحدار المباشر، يولد النموذج مبرراً نصياً أولاً. يعمل هذا التقييم النوعي (مثل "تدهور ضبابي شديد") كمرساة دلالية، مما يقيد التنبؤ اللاحق بالمعلمات المستمرة ضمن نطاقات معقولة فيزيائياً.
• استراتيجية التدريب:
  • الضبط الدقيق الخاضع للإشراف (SFT): التدريب على تسلسل الرموز الهرمي.
  • التعلم المعزز الهيكلي غير المتصل (Offline Structured RL): يستخدم تحسين السياسة النسبي المجموعاتي (GRPO) مع دالة مكافأة عاملية ($R = r_{type} \cdot r_{key} \cdot r_{rec}$) لفرض الاتساق عبر الهيكل ودقة الاستعادة.
  • التعلم المعزز ذاتي الإشراف المتصل (Online Self-Supervised RL): يتيح التكيف مع سيناريوهات العالم المفتوح دون الحاجة لمعلمات حقيقية (Ground-truth) عبر التحسين بناءً على مقاييس تقييم جودة الصورة (IQA) التي لا تعتمد على مرجع.

2.3. متحكم الاستعادة الصفري (Zero-Shot Restoration Controller)

يعمل DU-VLM كمتحكم لنماذج الانتشار (Diffusion Models) المدربة مسبقاً. من خلال التنبؤ بمعلمات التدهور $\hat{D}$، يمكّن النموذج من عكس عملية التدهور ($I_c = G^{-1}(I_d; \hat{D})$) باستخدام الاستدلال التبايني المنظم بواسطة سابقة الانتشار (Diffusion Prior). يسمح هذا باستعادة عالية الدقة للصور دون الحاجة لضبط دقيق للنموذج التوليدي الأساسي.

3. المساهمات الرئيسية

1. إطار عمل DU-VLM: إطار عمل مبتكر يتعلم الاستدلال حول معلمات التدهور عبر سلسلة أفكوت متعددة الوسائط، مما يوحد نظرياً بين التصنيف والانحدار تحت هدف توليد ذاتي.
2. مجموعة بيانات DU-110k: إنشاء معيار واسع النطاق يضم 110,000 زوج من الصور (نظيفة-متدهورة) مع توصيفات فيزيائية هرمية دقيقة. تغطي المجموعة أربعة أنواع من التدهور (ليل، ضباب، ضبابية، دقة منخفضة) وتم التحقق منها عبر مسار هجين يجمع بين المحاكاة والتحقق البشري.
3. التوجيه الصفري (Zero-Shot Steering): إثبات قدرة DU-VLM على توجيه نماذج الانتشار المدربة مسبقاً بفعالية لاستعادة الصور، محققاً قوة حالة الفن (SOTA) عبر سيناريوهات تدهور متنوعة دون ضبط دقيق خاص بالمهمة.

4. النتائج التجريبية

4.1. فهم التدهور

• التصنيف والتنبؤ بالمفاتيح: يتفوق DU-VLM بشكل كبير على نماذج الرؤية واللغة العامة (مثل GPT-4o، Gemini-2.5) والمحللات المتخصصة (مثل DA-CLIP) في الدقة المشتركة (J-Acc)، والتي تتطلب التنبؤ الصحيح بكل من النوع والمفاتيح. أظهرت النماذج العامة انهياراً في الأداء عند التنبؤ الهيكلي الدقيق.
• انحدار المعلمات: حقق DU-VVLM أدنى نسبة خطأ نسبي مجزى (P-Rel) عبر جميع الفئات. أظهرت النماذج الجاهزة هلوسات عددية، بينما عانت النماذج التي اعتمدت على SFT فقط من صعوبة في الفصل الدقيق بين المعلمات. كان نهج سلسلة الأفكوت الهيكلي حاسماً في ربط الميزات البصرية بالكميات الفيزيائية المستمرة.

4.2. أداء استعادة الصور

• المقاييس الكمية: في مجموعة اختبار DU-110k، حقق DU-VLM درجات أعلى في PSNR وSSIM وLPIPS مقارنة بنماذج الاستعادة الشاملة (TAO، JarvisIR، Restormer) والنماذج الموجهة بالنماذج اللغوية البصرية.
  • شملت التحسينات الملحوظة زيادة قدرها 8 ديسيبل في PSNR في حالات التدهور بالضبابية (Blur)، وأداءً متفوقاً مستمراً في حالات الليل، الضباب، والدقة المنخفضة.
• التعميم الصفري: عند التقييم على مجموعة CleanBench للواقع الحقيقي، أظهر DU-VLM قدرة قوية على التعميم على التوزيعات غير المرئية دون ضبط دقيق، متفوقاً على النماذج المرجعية في مقاييس IQA التي لا تعتمد على مرجع (NIQE، BRISQUE، CLIP-IQA).

4.3. دراسات الاستئصال (Ablation Studies)

• سلسلة الأفكوت متعددة الوسائط: أدى إزالة مدخلات FFT إلى انخفاض 2.48 ديسيبل في PSNR، بينما أدى إزالة مدخلات الحواف (Edge) إلى تقليل الدقة المشتركة بنسبة 1.9%. أدى التنبؤ المباشر بدون استدلال سلسلة الأفكوت إلى ارتفاع كبير في الأخطاء النسبية.
• التعلم المعزز الهيكلي: كانت دالة المكافأة الهيكلية ضرورية؛ حيث فشل "التعلم المعزز البسيط" (الذي يحسن درجة الاستعادة فقط) في تحسين دقة المعلمات الفيزيائية، مما يشير إلى أن النموذج تعلم طرقاً مختصرة بدلاً من الفهم الفيزيائي.
• التكميم: أدت شبكات التكميم الأكثر دقة ($\Delta=0.01$) إلى تحسين الدقة بشكل كبير، مما أكد صحة حدود الخطأ النظرية.

5. الأهمية والادعاءات

تدعي الورقة أنها أرست تحولاً في النموذج الإرشادي من الوصف النوعي للتدهور إلى الفهم البارامتري الفيزيائي. ومن خلال جسر الفجوة بين الاستدلال الدلالي والفيزياء منخفضة المستوى، يقدم DU-VLM مساراً مبدئياً نحو أنظمة رؤية قابلة للتفسير والتحكم.

يؤكد المؤلفون أن عملهم يوفر أساساً متيناً لتعلم نماذج التدهور التي تتعمم على سيناريوهات العالم الحقيقي. ويُطرح إصدار DU-110k كخطوة حاسمة نحو التقييم المعياري لفهم التدهور. وبينما يتيح النهج استعادة عالية الدقة، يشير المؤلفون بتواضع إلى أنه يعتمد على توصيفات فيزيائية اصطناعية، وأن هناك حاجة لأعمال مستقبلية لمعالجة التدهورات المركبة وفجوة "المحاكاة إلى الواقع". كما أقروا بالطبيعة مزدوجة الاستخدام لهذه التقنية، مشيرين إلى المخاطر المحتملة في السياقات الجنائية والخصوصية، مع الدعوة للاستخدام المسؤول في مهام التحسين والتحليل المشروعة.