💻 computer science

Rotation Equivariant Mamba for Vision Tasks

تقدم هذه الورقة البحثية EQ-VMamba، وهي أول بنية "Mamba" بصرية متساوية التناظر الدوراني تدمج استراتيجية مسح متقاطع متخصصة وكتل "Mamba" مجموعاتية لتحقيق أداء فائق ومتانة عبر مختلف المهام البصرية مع تقليل عدد المعلمات بنسبة 50% تقريبًا مقارنة بالنماذج المرجعية غير المتساوية التناظر دورانياً.

المؤلفون الأصليون: Zhongchen Zhao, Qi Xie, Keyu Huang, Lei Zhang, Deyu Meng, Zongben Xu

نُشر 2026-03-11

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Zhongchen Zhao, Qi Xie, Keyu Huang, Lei Zhang, Deyu Meng, Zongben Xu

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 أنك تعلم روبوتًا كيفية التعرف على الأشياء في غرفة ما. عرضت عليه صورة لقطة تجلس على كرسي. تعلم الروبوت: "آه، هذا قط!"

الآن، عرضت على الروبوت نفس الصورة تمامًا، لكنك أدرتها بمقدار 90 درجة بحيث أصبحت القطة جانبية. العقل البشري يدرك فورًا: "لا تزال هذه هي نفس القطة، لكنها مائلة فقط". أما العديد من نماذج الذكاء الاصطံعي المتقدمة اليوم فتصاب بالارتباك. قد تفكر: "انتظر، الأذنان الآن على الجانب والذيل في الأعلى... هل هذا حيوان جديد؟". إنها تضطر لإعادة تعلم الكائن من الصفر في كل مرة يدور فيها.

تقدم هذه الورقة البحثية بنية جديدة للذكاء الاصطناعي تسمى EQ-VMamba التي تعالج هذه المشكلة. إنها تعلم الذكاء الاصطناعي أن الصورة المدوّرة هي مجرد نفس الكائن في اتجاه مختلف، مما يجعل الذكاء الاصطناعي أكثر ذكاءً وسرعة وكفاءة.

إليك التفاصيل باستخدام تشبيهات بسيطة:

1. المشكلة: ذكاء اصطناعي يعمل كـ "شارع باتجاه واحد"

تركز الورقة على نوع جديد وشائع من الذكاء الاصطناعي يسمى Mamba. فكر في Mamba كقارئ فعال للغاية يمسح صفحة نص من اليسار إلى اليمين لفهم قصة ما. إنه بارع في قراءة الجمل الطويلة (مثل معالجة اللغة).

ومع ذلك، عندما حاول الباحثون استخدام Mamba لـ "قراءة" الصور، اضطروا إلى تحويل الصورة ثنائية الأبعاد (2D) إلى خط أحادي البعد (1D) (مثل فرد سجادة ملفوفة) لمسحها.

العيب: إذا قمت بتدوير الصورة، فإن "السجادة المفرودة" يتغير نمطها تمامًا. يرى الذكاء الاصطناعي تسلسلًا مختلفًا تمامًا من البيانات. الأمر يشبه محاولة قراءة كتاب حيث يقوم المؤلف بخلط الصفحات عشوائيًا في كل مرة تقلب فيها الكتاب جانبًا. يضيع الذكاء الاصطناعي، ويفقد الدقة، ويحتاج إلى التدريب على ملايين الصور المدوّرة فقط ليتعلم أن القطة لا تزال قطة.

2. الحل: تصميم "العجلة الدوارة"

بنى المؤلفون EQ-VMamba (Mamba المتماثل/Equivariant). من الناحية الرياضية، "التماثل" يعني أنه إذا قمت بتدوير المدخلات، فإن المخرجات ستدور بنفس الطريقة تمامًا، لكن المعنى يظل ثابتًا.

لقد فعلوا ذلك من خلال حيلتين رئيسيتين:

أ. "الماسح رباعي الاتجاهات" (EQ-Cross-Scan)

بدلاً من مسح الصورة في اتجاه واحد فقط (مثل Mamba القياسي)، يستخدم EQ-VMamba ماسحًا رباعي الاتجاهات.

التشبيه: تخيل حارس أمن يتفحص غرفة. الحارس العادي يمشي في خط مستقيم. إذا دارت الغرفة، سيبدو مسار الحارس مختلفًا تمامًا.
الإصلاح: لدى EQ-VMamba أربعة حراس يسيرون في شكل صليب مثالي (أعلى، أسفل، يسار، يمين) في وقت واحد. مهما أدرت الغرفة، يعدل الحراس خطواتهم بحيث يمسحون دائمًا الأجزاء النسبية نفسها من الغرفة. الذكاء الاصطناعي يرى "هيكل" الصورة، وليس مجرد البكسلات الخام.

ب. "الفريق المشترك" (Group Mamba Blocks)

في نموذج Mamba الأصلي، يمتلك الذكاء الاصطناعي أربعة "أدمغة" (كتل) منفصلة لمعالجة اتجاهات المسح الأربعة.

العيب: هذه الأدمغة الأربعة لا تتواصل مع بعضها البعض. إذا دارت الصورة، فقد يرتبك "الدماغ أ" لأنه أصبح ينظر فجأة إلى ما كان يراه "الدماغ ب".
الإصلاح: ربط مطورو EQ-VMamba هذه الأدمغة الأربعة معًا في فريق واحد. إنهم يتشاركون معرفتهم. إذا دارت الصورة، يقوم الفريق ببساطة بتبادل الأدوار. يأخذ "الدماغ أ" وظيفة "الدماغ ب"، ويأخذ "الدماغ ب" وظيفة "الدماغ أ". ولأنهم فريق واحد، تكون النتيجة دائمًا متسقة.
ميزة إضافية: بما أنهم يتشاركون نفس "القدرة الذهنية" (المعلمات/Parameters)، فإن النموذج يصبح أصغر بنسبة 50% وأرخص في التشغيل، ومع ذلك فإنه يؤدي بشكل أفضل.

3. لماذا يهم هذا الأمر (النتائج)

اختبر المؤلفون هذا الذكاء الاصطناعي الجديد في ثلاث مهام مختلفة:

التعرف على الأشياء (التصنيف): مثل تحديد طائر في شجرة.
تحديد الحدود (التقسيم/Segmentation): مثل رسم خط حول كل سيارة في ازدحام مروري.
إصلاح الصور الضبابية (الدقة الفائقة/Super-Resolution): مثل تحويل صورة قديمة مشوشة إلى صورة واضحة وعالية الدقة.

النتائج:

قوة فائقة: عندما قاموا بتدوير صور الاختبار، انهار الذكاء الاصطناعي القديم (VMamba) وفشل. أما EQ-VMamba فلم يهتز؛ بل أدى عمله بشكل مثالي.
أداء أفضل: حتى في الصور العادية غير المدوّرة، كان EQ-VMamba أكثر دقة من النموذج الأصلي.
حجم أصغر: حقق هذه النتائج بنصف الذاكرة وقوة الحوسبة المطلوبة من النماذج القديمة.

الصورة الكبيرة

فكر في EQ-VMamba كتعليم الذكاء الاصطناعي قوانين الهندسة بدلاً من مجرد حفظ الصور.

الذكاء الاصطناعي القديم: "لقد حفظت أن القطة تبدو هكذا". (يفشل إذا دارت القطة).
EQ-VMamba: "أنا أفهم أن القطة لها رأس وجسم وذيل، وأعرف أنه إذا قمت بتدوير الصورة، فإن الرأس سيظل هو الرأس، فقط في مكان جديد".

من خلال بناء هذا الفهم الهندسي مباشرة داخل دماغ الذكاء الاصطناعي، ابتكر المؤلفون نظامًا ليس فقط أكثر صمودًا ضد الزوايا الغريبة، بل أيضًا أسرع وأكثر كفاءة. إنها خطوة كبيرة نحو جعل الذكاء الاصطناعي يرى العالم كما يفعل البشر: بشكل طبيعي، ومرن، ودون ارتباك من مجرد التفاتة رأس.

إليك ملخص تقني مفصل لورقة البحث بعنوان "Rotation Equivariant Mamba for Vision Tasks" (EQ-VMamba).

1. بيان المشكلة

بينما حققت نماذج Mamba (وهي نماذج فضاء الحالة - State Space Models) نجاحاً كبيراً في معالجة اللغات الطبيعية (NLP)، ويتم اعتمادها بشكل متزايد في الرؤية الحاسوبية (مثل VMamba وMambaIR)، إلا أن بنيات Mamba البصرية الحالية تعاني من قصور حرج: الافتقار إلى التكافؤ الدوراني (Rotation Equivariance).

المشكلة: تمتلك الصور الطبيعية تماثلات هندسية متأصلة (الثبات أو التكافؤ الدوراني). ومع ذلك، تستخدم نماذج Mamba البصرية القياسية آلية "المسح المتقاطع" (cross-scan) التي تقوم بتسطيح الصور ثنائية الأبعاد إلى تسلسلات أحادية البعد بناءً على ترتيب مسح ثابت.
النتيجة: عندما يتم تدوير صورة مدخلة، يتغير ترتيب المسح بالنسبة للمحتوى، مما يؤدي إلى إنتاج مخرجات غير متسقة من قبل النموذج. وهذا يجعل نموذج VMamba التقليدي شديد الحساسية لتدوير الصور، مما يؤدي إلى تدهور كبير في الأداء وضعف في المتانة، خاصة في المهام التي تختلف فيها اتجاهات الأجسام (مثل الاستشعار عن بعد).
الفجوة: اعتمدت المحاولات السابقة لمعالجة ذلك إما على تعزيز البيانات (ضمانات نظرية ضعيفة) أو استخدمت تصميمات ثابتة الدوران (والتي تتخلص من معلومات الاتجاه الضرورية للمهام المتوسطة أو منخفضة المستوى). لم ينجح أي عمل سابق في توسيع نطاق التكافؤ الدوراني ليشمل بنية Mamba مع الحفاظ على كفاءتها.

2. المنهجية: EQ-VMamba

يقترح المؤلفون EQ-VMamba، وهو أول بنية Mamba بصرية تتمتع بـ تكافؤ دوراني صارم بمقدار 90 درجة. يضمن هذا التصميم أنه إذا تم تدوير الصورة المدخلة، فإن خريطة الميزات الناتجة ستخضع لتحول متوقع مقابل (دوران مكاني + إزاحة حلقية عبر المجموعات).

تعتمد البنية على ثلاث ابتكارات جوهرية:

أ. المسح المتقاطع المتكافئ دورانياً (EQ-Cross-Scan)

النهج القياسي: يقوم VMamba بمسح الصور ثنائية الأبعاد في أربعة اتجاهات (أعلى اليسار، أعلى اليمين، أسفل اليسار، أسفل اليمين) لإنشاء تسلسلات أحادية البعد. هذا الترتيب الثابت يكسر التكافؤ عند التدوير.
حل EQ-VMamba: يقدم المؤلفون خريطة ميزات ذات بنية مجموعات مع بُعد إضافي يمثل مجموعة الدوران ( $G = \{0^\circ, 90^\circ, 180^\circ, 270^\circ\}$ ).
الآلية: بدلاً من مسح واحد ثابت، يستخدم EQ-cross-scan أربعة مسارات مسح متناظرة. يتوافق كل مسار مع مكون محدد من مجموعة الدوران. عندما تدور المدخلات، يرتبط الدوران المكاني بإزاحة حلقية في بُعد المجموعة، مما يضمن بقاء ترتيب التسلسل أحادي البعد متسقاً بالنسبة لمحتوى الميزات.

ب. كتل Mamba المجموعاتية (G-Mamba)

النهج القياسي: يستخدم Vanilla VMamba أربع كتل Mamba مستقلة لمعالجة التسلسلات الأربعة الممسوحة. هذا الاستقلال يفشل في الحفاظ على التكافؤ لأن المعلمات ليست مشتركة أو مهيكلة لاحترام مجموعة الدوران.
حل EQ-VMamba: يعيد المؤلفون صياغة معلمات Mamba ( $A, B, C, D, \Delta$ $A, B, C, D, Δ$ ) لتصبح معلمات ذات بنية مجموعاتية.
- طبقات EQ-Linear: تُستبدل الطبقات الخطية القياسية بطبقات EQ-Linear التي تولد المعلمات عبر الإزاحة الحلقية عبر بُعد المجموعة.
- المعلمات المشتركة: يستخدم النموذج مجموعة واحدة من المعلمات القابلة للتعلم التي يتم إزاحتها حلقياً لتوليد المعلمات المحددة لكل مكون من مكونات مجموعة الدوران. هذا يضمن أن تحويل فضاء الحالة هو تحويل متكافئ دورانياً.

ج. بنية متكافئة من البداية إلى النهاية (End-to-End)

لضمان التكافؤ الصارم، تم تعديل كل وحدة في الشبكة:

تضمين الرقع (Patch Embedding): استُبدلت بطبقات EQ-CNN لترميز الاتجاه في بُعد المجموعة.
التقليل من العينة/التلافيف (Downsampling/Convolution): استُبدلت بنسخ متكافئة دورانياً (مثل EQ-Depthwise Conv، وEQ-PixelShuffle لرفع العينات).
المفككات (Decoders): تمت إعادة هندسة المفكات الخاصة بالمهام (مثل التجزئة أو تحسين دقة الصور) للحفاظ على خاصية التكافؤ.

3. المساهمات الرئيسية

أول Mamba متكافئ دورانياً: تقديم EQ-VMamba، وهي أول بنية تمد التكافؤ الدوراني من الشبكات العصبية التلافيفية (CNNs) والمحولات (Transformers) إلى إطار عمل Mamba الناشئ.
استراتيجية مسح مبتكرة: اقتراح EQ-cross-scan، وهي طريقة دقيقة رياضياً لتسطيح الصور ثنائية الأبعاد إلى تسلسلات أحادية البعد مع الحفاظ على التماثل الدوراني.
كفاءة المعلمات: من خلال مشاركة المعلمات عبر بُعد مجموعة الدوران، يقلل EQ-VMamba إجمالي عدد المعلمات القابلة للتعلم بنسبة تقارب 50% مقارنة بالنماذج غير المتكافئة، دون التضحية بالأداء.
ضمانات نظرية: تقديم براهين رياضية صارمة (النظرية 1 و2) تثبت أن EQ-cross-scan المقترح، وكتل G-Mamba، والشبكة الكاملة تحقق خطأ تكافؤ صفري تحت تدويرات الـ 90 درجة.
تعدد الاستخدامات: نجاح في تكييف الإطار مع كل من المهام عالية المستوى (التصنيف، التجزئة) والمهام منخفضة المستوى (تحسين دقة الصور) عبر EQ-VMamba وEQ-MambaIR.

4. النتائج التجريبية

قيم المؤلفون EQ-VMamba على عدة معايير، مقارنة بـ VMamba، وSpectral VMamba (الثابت دورانياً)، ونماذج SOTA أخرى.

تصنيف الصور (ImageNet-100):
- حقق EQ-VMamba-T دقة 88.58% (Top-1)، متفوقاً على VMamba-T (87.80%) بنسبة 0.78%.
- حقق ذلك بـ 10 ملايين معلمة فقط (مقابل 30 مليون لـ VMamba-T)، أي انخفاض بنسبة 66%.
التجزئة الدلالية (Semantic Segmentation):
- في الصور الطبيعية، طابق EQ-VMamba أو تفوق قليلاً على VMamba بـ 1/4 المعلمات فقط.
- في مجموعات بيانات الاستشعار عن بعد (LoveDA, ISPRS Potsdam)، والتي تمتلك تماثلاً دورانياً عالياً، تفوق EQ-VMamba بشكل كبير على VMamba (على سبيل المثال، +3.07% mIoU في LoveDA).
- المتانة: في مجموعات البيانات المدورة، حافظ EQ-VMamba على أداء ثابت تقريباً، بينما عانى VMamba من انخفاضات هائلة (على سبيل المثال، انخفاض >20% في mIoU على Cityscapes).
تحسين دقة الصور (Super-Resolution):
- تفوق EQ-MambaIR على النموذج المرجعي MambaIR في المعايير القياسية (Set5, Urban100, Manga109) عبر مقاييس $\times2, \times3, \times4$ .
- حقق درجات PSNR/SSIM أعلى مع حوالي 50% أقل من المعلمات.
التحقق من التكافؤ:
- كان خطأ التكافؤ النظري (NMSE) لـ EQ-VMamba قريباً من الصفر ($0.0003$)، بينما سجل Vanilla VMamba أخطاء عالية ($0.17 $إلى$ 0.44$)، مما يؤكد صرامة البنية.

5. الأهمية

المتانة: يحل هذا العمل مشكلة الحساسية المتأصلة في نماذج Mamba لتدوير الصور، مما يجعلها قابلة للتطبيق في تطبيقات العالم الحقيقي حيث يكون اتجاه الأجسام غير متوقع (مثل صور الأقمار الصناعية أو الصور الطبية).
الكفاءة: يثبت العمل أن فرض المبادئ الهندسية المسبقة (التكافؤ) ليس مجرد إصلاح للمتانة، بل هو انحياز استقرائي قوي يحسن الدقة ويقلل عدد المعلمات بشكل جذري.
تأسيس لنماذج مستقبلية: من خلال إنشاء إطار عمل صارم للنماذج المتكافئة دورانياً، تمهد هذه الورقة الطريق لأبحاث مستقبلية في التماثلات الهندسية الأخرى (مثل الانعكاس، أو الدوران الحر) ضمن بنية Mamba الفعالة.

في الختام، نجح EQ-VMamba في سد الفجوة بين كفاءة نماذج فضاء الحالة (SSMs) والمتانة الهندسية المطلوبة للبيانات البصرية، واضعاً معياراً جديداً لبنيات التعلم العميق المتكافئة دورانياً.