💻 computer science

AccelAes: Accelerating Diffusion Transformers for Training-Free Aesthetic-Enhanced Image Generation

تُعد AccelAes إطار عمل لا يتطلب تدريباً يعمل على تسريع نماذج محولات الانتشار (Diffusion Transformers) وتعزيز الجماليات الإدراكية عبر الاستفادة من إشارات الانتباه المستمدة من الأوامر النصية لتقليل الحسابات المكانية والزمانية الزائدة ديناميكياً أثناء توليد الصور.

المؤلفون الأصليون: Xuanhua Yin, Chuanzhi Xu, Haoxian Zhou, Boyu Wei, Weidong Cai

نُشر 2026-03-17

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Xuanhua Yin, Chuanzhi Xu, Haoxian Zhou, Boyu Wei, Weidong Cai

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 فنان كُلفت برسم جدارية ضخمة وواقعية للغاية بناءً على وصف مثل: "روح غابة سحرية ترتدي فستاناً من الأوراق المعقدة، مغمورة بإضاءة حجمية مذهلة".

في عالم توليد الصور بالذكاء الاصطناعي، تُعد "الفنانون" الحاليون (الذين يُطلق عليهم محولات الانتشار - Diffusion Transformers أو DiTs) موهوبين للغاية؛ إذ يمكنهم ابتكار صور تخطف الأنفاس. ومع ذلك، لديهم عيب رئيسي: إنهم مُرهِقون.

لرسم كل بكسل في الصورة، يعامل الذكاء الاصطناعي اللوحة بأكملها بنفس الطريقة. فهو يبذل نفس القدر من الوقت والطاقة لرسم الوجه التفصيلي للروح كما يفعل لرسم السماء الملساء الفارغة في الخلفية. الأمر يشبه طباخاً يقطع جزرة بنفس التركيز الشديد الذي يستخدمه لتحريك قدر من الماء — مما يهدر الكثير من الجهد في أمور لا تستحق. وهذا يجعل توليد الصور بطيئاً ومكلفاً للغاية.

إليك AccelAes (الجماليات المتسارعة). فكر في AccelAes كأنه مدير مشروع ذكي لهذا الفنان الذي يعمل بالذكاء الاصطناعي. هو لا يحتاج إلى إعادة تدريب الفنان، بل يغير فقط كيفية توزيع العمل.

إليك كيف يعمل، مقسماً إلى ثلاثة مفاهيم بسيطة:

1. استراتيجية "تسليط الضوء" (AesMask)

المشكلة: يهدر الذكاء الاصطناعي الطاقة على الأجزاء المملة من الصورة (مثل سماء زرقاء سادة) بينما يطلب منك الوصف تفاصيل "معقدة" وإضاءة "مذهلة".
حل AccelAes:
تخيل أن لدى الذكاء الاصطناعي كشافاً سحرياً. عندما تكتب "معقدة" أو "سينمائية"، ينظر AccelAes إلى "عملية التفكير" الداخلية للذكاء الاصطناعي (تحديداً، أين يصب الذكاء الاصطناعي انتباهه تجاه تلك الكلمات).

يقوم بإنشاء قناع (نموذج استنسل) يسلط الضوء فقط على المناطق المهمة: وجه الروح، الأوراق التفصيلية، وأشعة الضوء.
ويخبر الذكاء الاصطناعي: "ركز 100% من طاقتك على هذه البقع المضيئة. أما بالنسبة لبقية الخلفية؟ فقط قم بالحد الأدنى المطلوب".
النتيجة: يتوقف الذكاء الاصطناعي عن إضاعة الوقت على السماء الفارغة ويصب كل قوته في جعل الروح تبدو مذهلة.

2. خدعة "تخطي الأجزاء المملة" (SkipSparse)

المشكلة: حتى عندما يعمل الذكاء الاصطناعي، فإنه غالباً ما يكرر نفسه. إذا لم تتغير الخلفية كثيراً منذ الخطوة الأخيرة، فلماذا يعيد حسابها مجدداً؟
حل AccelAes:
فكر في هذا الأمر مثل شاشة تحميل في لعبة فيديو. إذا كنت تسير عبر ممر طويل وفارغ، فإن اللعبة لا تحتاج إلى إعادة رسم الممر بأكمله في كل إطار؛ بل تكتفي بتذكر الإطار الأخير وتحريك الكاميرا فقط.

يستخدم AccelAes ذاكرة مؤقتة (Cache) (بنك ذاكرة). إذا رأى الذكال الاصطناعي أن جزءاً من الصورة لا يتغير كثيراً، فإنه يقول: "أنا أعرف كيف يبدو هذا؛ سأعيد استخدام النسخة السابقة فقط".
هو يقوم فقط بالعمليات الحسابية الثقيلة للأجزاء التي تتغير فعلياً أو التي تعتبر فائقة الأهمية.

3. "الموجه الذكي" (Spatial Guidance)

المشكلة: عادةً ما يتبع الذكاء الاصطناعي مجموعة من القواعد (التوجيه) لجعل الصورة تطابق النص. لكن هذه القواعد تُطبق بالتساوي على الصورة بأكملها، مما قد يجعل الخلفية تبدو غريبة أو يجعل الموضوع يبدو مسطحاً.
حل AccelAes:
يعمل AccelAes كأنه مدرب شخصي يعرف بالضبط أين يجب أن يضغط.

بالنسبة للأجزاء "المعقدة" (الموضوع الأساسي)، يقول له: "اضغط بقوة أكبر! اجعلها أكثر حدة!"
وبالنسبة للخلفية، يقول له: "استرخِ، فقط حافظ عليها ناعمة".
هذا يضمن أن تبدو الصورة النهائية احترافية وعالية الجودة تماماً حيث تبرز أهميتها.

النتيجة النهائية

من خلال الجمع بين هذه الحيل الثلاث، يحقق AccelAes شيئاً سحرياً: إنه يجعل الذكاء الاصطناعي أسرع وَأفضل.

السرعة: في الاختبارات، جعل الذكاء الاصطناعي أسرع بمقدار مرتين (تسريع بمقدار 2.11 ضعفاً).
الجودة: لأنه توقف عن إهدار الطاقة على الأجزاء المملة وركز على التفاصيل "الجمالية"، بدت الصور في الواقع أكثر جمالاً وواقعية من ذي قبل.

باختاًصر:
قبل AccelAes، كان الذكاء الاصطناعي مثل طالب يحاول حفظ موسوعة كاملة عبر قراءة كل كلمة بنفس السرعة.
أما AccelAes فهو مثل معلم يقول له: "لا تحفظ صفحات الفهرس المملة. ركز فقط على الفصول المتعلقة بـ 'التفاصيل المعقدة' و'الإضاءة المذهلة'، وتخطَّ الباقي". هكذا ينهي الطالب الاختبار أسرع بمرتين ويحصل على درجة أفضل.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "AccelAes: تسريع نماذج محولات الانتشار (Diffusion Transformers) من أجل توليد صور معززة جمالياً دون الحاجة لإعادة التدريب."

1. بيان المشكلة

أصبحت نماذج محولات الانتشار (DiTs) هي البنية المهيمنة لتوليد الصور عالية الدقة بفضل قابليتها للتوسع وتوافقها القوي عند الدقات العالية. ومع ذلك، فهي تعاني من تأخر كبير في الاستنتاج (Inference Latency) ناتج عن:

الاهتمام الذاتي التربيعي (Quadratic Self-Attention): تتناسب التكلفة الحسابية تربيعياً مع عدد الرموز المكانية ( $N^2$ )، مما يجعل التوليد عالي الدقة مكلفاً للغاية.
الحوسبة الزائدة (Redundant Computation): تتبع طرق التسريع القياسية (مثل دمج الرموز أو تخطي الخطوات الموحد) استراتيجيات مكانية موحدة. فهي تعامل جميع مناطق الصورة بالتساوي، متجاهلة حقيقة أن توليد الصور هو عملية غير موحدة مكانياً.
إهمال الجماليات (Aesthetic Neglect): غالباً ما تؤدي الطرق الحالية إلى تدهور الجودة الإدراكية لأنها تقوم بتقليص أو تخطي الحوسبة بشكل عدواني في المناطق الحرجة للتقييم الجمالي البشري (مثل الأنسجة الدقيقة، حدود الإضاءة، والموضوعات الرئيسية)، بينما قد تفرط في الحوسبة على الخلفيات الناعمة.

التحدي الجوهري هو تسريع استنتاج نماذج DiT دون إعادة تدريب مع الحفاظ صراحةً على الجودة الجمالية وتعزيزها عبر تكييف الحوسبة مع الأهمية الدلالية لمختلف مناطق الصورة.

2. المنهجية: AccelAes

يقترح المؤلفون AccelAes، وهو إطار عمل لا يتطلب إعادة تدريب، يستفيد من عدم التوحيد المكاني المدفوع بالجماليات والفائض الزمني. يتكون الإطار من وحدتين رئيسيتين: AesMask و SkipSparse.

أ. AesMask: توليد قناع دلالي مدرك للجماليات

تحدد هذه الوحدة المناطق المكانية الحرجة للجودة الجمالية بناءً على النص المدخل وإشارات النموذج الداخلية.

المرتكزات الجمالية (Aesthetic Anchors): يتم تحديد مجموعة ثابتة من المفردات الوصفية الجمالية (مثل "معقد"، "سينمائي"، "إضاءة حجمية"، "واقعي تصويري").
اختيار الرموز (Token Selection): يتم تقييم رموز النص (Prompt Tokens) مقابل هذه المرتكزات باستخدام مشفر نصي CLIP مجمد. يتم اختيار الرموز ذات التشابه العالي مع المرتكزات الجمالية.
تجميع الاهتمام المتقاطع (Cross-Attention Aggregation): يقوم النموذج بتجميع أوزان الاهتمام المتقاطع من طبقات DiT. وتحديداً، يحسب كتلة الاهتمام (Attention Mass) من رموز الصورة إلى "رموز النص الجمالية" المختارة.
بناء القناع (Mask Construction): يتم إنشاء قناع ثنائي ( $M_t$ ) عن طريق تطبيق عتبة مئوية على خريطة الاهتمام المجمعة. المناطق ذات الاهتمام العالي بالوصفات الجمالية تُحدد كـ "مناطق تركيز"، بينما تُحدد المناطق الأخرى كـ "خلفية".
البناء لمرة واحدة (One-Shot Construction): يتم بناء القناع مرة واحدة (عادةً عند الخطوة 5) ويُعاد استخدامه طوال مسار أخذ العينات لتقليل العبء الإضافي.

ب. SkipSparse: الحوسبة المتفرقة المتكيفة مكانياً

تستخدم هذه الوحدة قناع AesMask لإعادة تخصيص الموارد الحسابية وتقليل الفائض.

التكيف المكاني:
- رموز التركيز (Focus Tokens): تخضع الرموز التي حددها القناع للحوسبة الكاملة (الاهتمام الذاتي والشبكة العصبية المغذية FFN).
- رموز الخلفية (Background Tokens): يتم تخطي الحوسبة الثقيلة للرموز الموجودة في المناطق غير الجمالية.
- الحفاظ على السياق العالمي (Global Context Preservation): لمنع فقدان التماسك العالمي، تستخدم آلية الاهتمام للرموز المركزة مفاتيح وقيم عالمية (محسوبة من جميع الرموز)، مما يضمن قدرة مناطق التركيز على "رؤية" سياق الصورة بأكملها.
- تحسين الشبكة المغذية (FFN Optimization): يتم تطبيق الشبكة المغذية (FFN) فقط على رموز التركيز؛ بينما تعيد رموز الخلفية استخدام التنشيطات المخزنة مؤقتاً من التحديثات الكاملة السابقة.
التوجيه المكاني (CFG): يتم تعديل مقياس توجيه التصنيف الخالي من الفئة (CFG) مكانياً. تحصل مناطق التركيز على مقياس توجيه أقوى ( $g_{aes}$ ) لتعزيز التفاصيل والالتزام بالنص، بينما تحصل مناطق الخلفية على مقياس أخف ( $g_{bg}$ ).

ج. StepCache: إعادة استخدام التنبؤ الزمني

لمعالجة الفائض الزمني، يتضمن AccelAes ذاكرة تخزين مؤقت خفيفة الوزن للتنبؤ على مستوى الخطوة.

الآلية: يقوم بتخزين تنبؤات الضوضاء ( $\hat{\epsilon}$ ) في فترات محددة (كل $\Delta$ خطوة).
الاستقراء (Extrapolation): بالنسبة للخطوات المتوسطة بين تحديثات الذاكرة، يقرب النموذج التنبؤ باستخدام الاستقراء الخطي بناءً على القيم المخزنة.
التكامل: يعمل هذا بالتوازي مع التفرع المكاني، مما يقلل بشكل أكبر من عدد عمليات المرور الكاملة عبر المحول (Transformer forward passes) المطلوبة.

3. المساهمات الرئيسية

التسريع المدفوع بالجماليات: أول إطار عمل يربط صراحةً بين الوصفات الجمالية في النصوص وبين تخصيص الحوسبة المكانية في نماذج DiT، متجاوزاً بذلك أساليب تقليل الرموز الموحدة.
وحدة AesMask: آلية مبتكرة لاستخلاص قناع تركيز دلالي من إشارات الاهتمام المتقاطع الداخلية ومطابقة مرتكزات CLIP دون الحاجة لتدريب إضافي أو تسمية بشرية.
SkipSparse و StepCache: استراتيجية تسريع موحدة تجمع بين الحوسبة المتفرقة المتكيفة مكانياً (بالتركيز على المناطق الجمالية) وإعادة استخدام التنبؤ الزمني، مما يحقق تسريعاً كبيراً دون فقدان الجودة.
بدون إعادة تدريب (Training-Free): تعمل المنظومة بأكملها أثناء مرحلة الاستنتاج، ولا تتطلب أي ضبط دقيق (Fine-tuning) لنماذج DiT الأساسية.

4. النتائج التجريبية

تم تقييم الطريقة على ثلاثة نماذج DiT تمثيلية: Lumina-Next، و SD3-Medium، و FLUX.1-dev.

الأداء على Lumina-Next:
- حقق تسريعاً بمقدار 2.11× (تقليل زمن التأخير من 12.37 ثانية إلى 5.86 ثانية).
- تحسين الجودة: على عكس طرق التسريع الأخرى التي تسبب تدهور الجودة، قام AccelAes بتحسين مقياس ImageReward (IR) بنسبة +11.9% (من 0.752 إلى 0.841) وزاد من درجات CLIP والدرجات الجمالية.
الأداء على SD3 و FLUX:
- تحقيق تسريع ثابت بمقدار 1.50× (لـ SD3) و 1.73× (لـ FLUX).
- حافظ على أو حسن المقاييس الموجهة للتفضيل (IR, HPSv2) مقارنة بالنماذج المرجعية مثل $\Delta$ -DiT و TeaCache و TaylorSeer، والتي غالباً ما عانت من انخفاض كبير في الجودة عند مستويات تسريع مماثلة.
دراسات الاستبعاد (Ablation Studies):
- أدى إزالة AesMask (باستخدام التغطية الموحدة) إلى تقليل ImageReward بشكل كبير، مما يؤكد ضرورة اختيار المناطق المدركة للجماليات.
- أظهر الجمع بين التفرع المكاني والتخزين المؤقت الزمني أفضل توازن، مما يثبت تكاملهما.

5. الأهمية

تحول في النموذج المعرفي: يتحدى AccelAes الافتراض القائل بأن التسريع يجب أن يأتي على حساب الجودة. فهو يثبت أن التقليص الذكي المعتمد على المحتوى يمكن أن يحسن فعلياً الجودة الإدراكية من خلال تركيز الميزانية الحسابية على المناطق الأكثر تأثيراً بصرياً.
النشر العملي: كحل لا يتطلب إعادة تدريب، يمكن تطبيقه فوراً على نماذج DiT الحديثة، مما يجعل توليد الصور عالية الدقة وعالية الجمالية أكثر سهولة وسرعة.
الذكاء الاصطناعي المتمحور حول الإنسان: من خلال مواءمة استراتيجيات التسريع مع التفضيلات الجمالية البشرية (عبر دلالات النص)، يجسد هذا الأسلوب الفجوة بين الكفاءة الحسابية والجودة البصرية الذاتية، معالجاً عقبة حرجة في نشر الذكاء الاصطواري التوليدي.