💻 computer science

LatSearch: Latent Reward-Guided Search for Faster Inference-Time Scaling in Video Diffusion

تقدم هذه الورقة البحثية LatSearch، وهو إطار عمل فعال لتوسيع نطاق الاستدلال في نماذج الانتشار بالفيديو، والذي يستخدم نموذج مكافأة كامن مبتكر لتوجيه عمليات إعادة أخذ العينات والتقليم أثناء عملية إزالة الضجيج، مما يتغلب على القيود الحسابية وقيود الإشارة لطرق تحسين الضجيج السابقة لتحسين جودة توليد الفيديو والقدرة على التحكم بشكل كبير.

المؤلفون الأصليون: Zengqun Zhao, Ziquan Liu, Yu Cao, Shaogang Gong, Zhensong Zhang, Jifei Song, Jiankang Deng, Ioannis Patras

نُشر 2026-03-17

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Zengqun Zhao, Ziquan Liu, Yu Cao, Shaogang Gong, Zhensong Zhang, Jifei Song, Jiankang Deng, Ioannis Patras

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 تحاول رسم لوحة فنية رائعة بناءً على وصف مثل "فراشة تتغير من اللون الأبيض إلى الأصفر".

في عالم توليد الفيديو بالذكاء الاصطناعي، يبدأ الكمبيوتر بلوحة مغطاة بـ "الضجيج الساكن" (Static) النقي (ضوضاء عشوائية). ويتعين عليه "إزالة الضجيج" (Denoise) تدريجيًا من هذه اللوحة، خطوة بخ bước، لتحويل الضجيج الساكن إلى صورة متحركة واضحة.

المشكلة: الرسام "الأعمى"
نماذج الذكاء الاصطناعي الحالية تشبه الرسامين الذين يرتدون عصابة على أعينهم حتى اللحظة الأخيرة. يقومون بآلاف ضربات الفرشاة (الحسابات) لتحويل الضجيج الساكن إلى فيديو.

المشكلة: إذا ارتكب الرسام خطأً في وقت مبكر (مثل رسم الأجنحة باللون الأزرق بدلاً من الأبيض)، فإنه يستمر في الرسم فوق هذا الخطأ لمئات الخطوات، دون أن يدرك الخطأ إلا بعد انتهاء الفيديو.
الحل القديم: حاول بعض الباحثين إيجاد "الضجيج الساكن المثالي" (الضجيج الذهبي) أو توليد 100 فيديو مختلف واختيار الأفضل منها في النهاية. لكن هذا يشبه استئجار 100 رسام، والانتظار حتى ينهي جميعهم لوحاتهم بالكامل، ثم التخلص من 99 لوحة منها. هذا الأمر بطيء للغاية ومكلف للغاية.

الحل: LatSearch (المرشد الذكي)
تقدم الورقة البحثية طريقة LatSearch، وهي طريقة تعمل كـ ناقد فني ذكي يدخل إلى المرسم أثناء عمل الرسام، وليس فقط في النهاية.

إليك كيف يعمل، باستخدام تشبيه بسيط:

1. "بطاقة التقييم السرية" (نموذج المكافأة الكامن - Latent Reward Model)

بدلاً من الانتظار حتى يتم فك تشفير الفيديو النهائي (وهو ما يشبه انتظار جفاف الطلاء وبناء الإطار)، ينظر LatSearch إلى "اللوحة الخام" (الحالة الكامنة - Latent State) بينما لا تزال رطبة وفوضوية.

التشبيه: تخيل معلماً يصحح مقال طالب.
- الطريقة القديمة: ينتظر المعلم حتى ينهي الطالب مقالاً من 10 صفحات كاملة، ثم يضع الدرجة. إذا كانت الفقرة الأولى سيئة، فقد أضاع الطالب وقته في كتابة الصفحات التسع المتبقية.
- طريقة LatSearch: يقرأ المعلم الصفحة الأولى، ويعطي درجة سريعة، ويقول: "مهلاً، هذه الفقرة خارج الموضوع. دعنا نجرب اتجاهاً مختلفاً".
كيف يعمل: يمتلك الذكاء الاصطناعي "نموذج مكافأة" خاصاً يمكنه النظر إلى بيانات الفيديو غير المكتملة والفوضوية ويقول فوراً: "هذا يبدو جيداً"، أو "هذا سيفشل". إنه يتحقق من ثلاثة أشياء: هل يبدو المظهر جيداً؟ هل الحركة سلسة؟ وهل يتطابق مع النص الوصفي؟

2. "البحث الذكي" (إعادة أخذ العينات والتقليم - Resampling and Pruning)

بمجرد حصول الذكاء الاصطناعي على هذا "المرشد الذكي"، فإنه لا يتبع مساراً واحداً فقط. بل يدير سباقاً صغيراً مع عدة مرشحين.

السباق: تخيل أن الذكما الاصطناعي يبدأ 6 "رسامين" (مرشحين) يعملون على نفس الوصف في وقت واحد.
نقاط التفتيش: كل بضع خطوات، يقوم "المرشد الذكي" بالتحقق من جميع الرسامين الستة.
- إعادة أخذ العينات (Resampling): إذا كان أحد الرسامين يقوم بعمل رائع، يقول المرشد: "أنت تبلي بلاءً حسناً، استمر! دعنا نأخذ نسخة من عملك ونرسلها في مسارين آخرين". وإذا كان رسام آخر يسير في الطريق الخطأ، يقول المرشد: "توقف، أنت تضيع الوقت".
- التقليم (Pruning): هذا هو مفتاح السرعة. بد instead من انتظار جميع الرسامين الستة لإنهاء رحلتهم المكونة من 100 خطوة بالكامل، يقوم المرشد بقطع الطريق على السيئين مبكراً. إنه يحتفظ فقط بالمرشح الأفضل لإكمال المهمة.

لماذا يعد هذا أمراً هاماً؟

السرعة: نظرًا لأنه يوقف "الرسامين السيئين" مبكراً، فإنه يوفر كمية هائلة من قدرة الحوسبة. وتدعي الورقة البحثية أنه يمكنه أن يكون أسرع بنسبة تصل إلى 79% من الطرق السابقة التي حاولت القيام بنفس الشيء.
الجودة: نظرًا لأنه يمكنه تصحيح الأخطاء أثناء صنع الفيديو (وليس فقط في النهاية)، فإن النتيجة النهائية تكون أكثر دقة وتتبع النص الوصفي بشكل أفضل.
الكفاءة: إنه يشبه العثور على "الضجيج الذهبي" (نقطة البداية المثالية) أثناء العمل، بدلاً من التخمين مسبقاً.

النتيجة

في التجارب، جعل LatSearch نموذج ذكاء اصطناعي للفيديو (Wan 1.3B) يولد فيديوهات كانت:

أفضل: أكثر إبداعاً، وحركة أفضل، وأكثر التزاماً بالنص.
أسرع: حقق هذه النتائج في نصف الوقت تقريباً (أو أقل) مقارنة بطرق "البحث" الأخرى.

باخت-القول: LatSearch يشبه تزويد الذكاء الاصطناعي بنظام GPS مع تحديثات حركة المرور في الوقت الفعلي. بدلاً من قيادة السيارة بشكل أعمى نحو وجهة ما والأمل في ألا تضل الطريق، يقوم نظام الـ GPS بالتحقق من موقعك كل بضع دقائق، ويخبرك إذا كنت على الطريق الصحيح، ويوجهك فوراً إذا كنت تسلك الطريق الخاطئ، مما يوفر عليك الوقت والوقود.

إليك ملخص تقني مفصل لورقة البحث بعنوان "LatSearch: Latent Reward-Guided Search for Faster Inference-Time Scaling in Video Diffusion."

1. بيان المشكلة

تتناول الورقة تحدي التوسع في وقت الاستدلال (inference-time scaling) في نماذج الانتشار لتحويل النص إلى فيديو (T2V). وبينما يؤدي زيادة عدد خطوات إزالة الضجيج (denoising steps) إلى تحسين الدقة، تشير الأبحاث الحديثة إلى أن جودة الضجيج الأولي ("الضجيج الذهبي" - golden noise) والقدرة على البحث عن مسارات أفضل هي أمور بالغة الأهمية أيضًا.

تعاني الأساليب الحالية من ثلاث قيود رئيسية:

انحياز الضجيج الأولي: تعتمد الطرق التي تعمل على تحسين الضجيج الأولي (مثل FreeInit و FreqPrior) على أولويات يتم حقنها في البداية فقط. وبمجرد بدء مسار إزالة الضيج، تفتقر هذه الطرق إلى آليات لمراقبة أو تصحيح الحالات المتوسطة، مما يؤدي إلى تراكم الأخطاء.
المكافآت المتأخرة والمتفرقة: تعتمد أساليب البحث (مثل Best-of-N و EvoSearch) عادةً على توليد عدة مرشحين وتقييمهم فقط بعد فك التشفير الكامل (full decoding) إلى فضاء الفيديو. ويؤدي هذا إلى:
- تكلفة حوسبية عالية: تكرار فك التشفير للفيديوهات الكاملة أمر مكلف للغاية.
- تأخر المكافأة: لا يتوفر التعليقات (feedback) إلا في نهاية العملية، مما يمنع الاستبعاد المبكر للمرشحين منخفضي الجودة.
عدم القدرة على توسيع نطاق البحث: نظرًا للتكلفة العالية لفك التشفير الكامل، غالبًا ما تكون خوارزميات البحث القوية (مثل بحث الشعاع/beam search أو الخوارزميات التطورية) بطيئة جدًا بحيث لا يمكن تطبيقها عمليًا لتوليد الفيديو.

2. المنهجية: LatSearch

يقترح المؤلفون LatSearch، وهو إطار عمل يتيح التوسع الفعال في وقت الاستدلال من خلال إجراء البحث مباشرة في الفضاء الكامن (latent space) باستخدام نموذج مكافأة كامن (Latent Reward Model).

أ. نموذج المكافأة الكامن (Latent Reward Model)

بدلاً من تقييم الفيديوهات التي تم فك تشفيرها، يقوم هذا النموذج بتقييم الكمونات (latents) التي تمت إزالة الضجيج منها جزئيًا ( $z_t$ ) عند أزمنة خطوة زمنية ( $t$ ) عشوائية.

المدخلات: متجه كامن $z_t$ ، والنص الوصفي $p$ ، والخطوة الزمنية $t$ .
البنية: تعتمد على بنية Vision Transformer (ViT) (وتحديداً Qwen2-VL-3B). يتم تقسيم الكمن إلى قطع (patchified)، وتُلحق به رموز استعلام خاصة ([VQ], [MQ], [TA]) للتنبؤ بالدرجات لـ:
- الجودة البصرية (Visual Quality - VQ)
- جودة الحركة (Motion Quality - MQ)
- المطابقة النصية (Text Alignment - TA)
استراتيجية التدريب: بما أن المكافآت الحقيقية (ground truth rewards) توجد فقط للفيديو النهائي، استخدم المؤلفون إسناد الائتمان القائم على التشابه (similarity-grounded credit assignment):
- يقومون بحساب تشابه جيب التمام ( $s_t$ ) بين الكمن المتوسط $z_t$ والكمن النظيف النهائي $z_0$ .
- يتم تغيير حجم مكافأة الفيديو النهائية بواسطة $s_t$ لإنشاء هدف للكمن المتوسط.
- دالة الخسارة (Loss Function): مزيج من خسارة الانحدار (Regression Loss) (لمطابقة أحجام المكافأة المطلقة) وخسارة التفضيل (Preference Loss) (المستوحاة من RLHF، لفرض الترتيب النسبي بين المرشحين).

ب. إعادة أخذ العينات والتقليم الموجه بالمكافأة (RGRP)

يحافظ LatSearch على مجموعة من $N$ من المسارات المرشحة أثناء عملية الانتشار. تسير الخوارزمية كما يلي:

توليد المرشحين: عند $t=T$ ، يتم إنشاء $N$ من المرشحين عن طريق تشويه ضجيج أساسي بضجيج متماثل المناحي (isotropic noise).
التقييم وإعادة أخذ العينات: عند خطوات زمنية مجدولة (مثل $t=10, 15, 20$ $t = 10, 15, 20$ ):
- يقوم نموذج المكافأة الكامن بتقييم جميع المرشحين.
- إعادة أخذ العينات الاحتمالية (Probabilistic Resampling): يتم إعادة أخذ عينات المرشحين بناءً على احتمالات مُعايرة بالمكافأة (Softmax). هذا يمنع الاعتماد المفرط على نموذج مكافأة قد يكون غير مثالي ويشجع على الاستكشاف.
- تقليم التكرار (Uniqueness Pruning): يتم إزالة البذور المكررة (المسارات المتطابقة) لتوفير الحوسبة.
التقليم النهائي: عند الخطوة المجدولة الأخيرة، يتم اختيار المرشح الذي يحقق أعلى مكافأة تراكمية عبر جميع خطوات التقييم.
فك التشفير: يتم فك تشفير المرشح الوحيد الناجي فقط إلى الفيديو النهائي.

3. المساهمات الرئيسية

نموذج المكافأة الكامن: نموذج مبتكر قادر على تقييم الكمات المتوسطة لإزالة الضجيج من حيث الجودة البصرية، والحركة، والمطابقة النصية دون الحاجة لفك التشفير إلى فيديو. كما يقدم استراتيجية إسناد ائتمان قائمة على التشابه للتدريب على أهداف مستوى الكمن.
خوارزمية LatSearch: طريقة للتوسع في وقت الاستدلال تتضمن إعادة أخذ العينات والتقليم الموجه بالمكافأة (RGRP). وهي توازن بين الاستكشاف والاستغلال عبر إعادة أخذ العينات الاحتمالية وتقلل من التكرار عبر تقليم التكرار.
الكفاءة: من خلال العمل بالكامل في الفضاء الكامن وتجنب تكرار فك التشفير الكامل للفيديو، يحقق LatSearch تسريعًا كبيرًا مقارنة بأساليب البحث الحالية.

4. النتائج التجريبية

تم تقييم الطريقة باستخدام معيار VBench-2.0 على نموذجي Wan2.1-1.3B و Wan2.1-14B.

تحسين الجودة: يتفوق LatSearch باستمرار على النموذج الأساسي (baseline) وطرق التوسع الأخرى في وقت الاستدلال عبر جميع الأبعاد (الإبداع، المنطق السليم، القدرة على التحكم، دقة الهيئة البشرية، الفيزياء).
- مقارنة بالنموذج الأساسي، حسن متوسط الدرجة بمقدار %1.94+ (لنموذج 1.3B) و %1.03+ (لنموذج 14B).
- حقق جودة مماثلة أو أفضل من EvoSearch (وهو نموذج بحث تطوري قوي).
مكاسب الكفاءة:
- وقت التشغيل: LatSearch أسرع بـ 4.77 مرة من EvoSearch مع تحقيق جودة مماثلة.
- المقارنة: يقلل وقت التشغيل بنسبة تصل إلى %79 مقارنة بالطرق الأخرى القائمة على البحث (مثل VideoReward و EvoSearch) لأنه يتجنب التكلفة الباهظة لفك تشفير فيديوهات متعددة.
- التكلفة: يتطلب 2.13 ضعف الحوسبة فقط مقارنة بالنموذج الأساسي، بينما يتطلب EvoSearch 10.15 ضعف.
دراسات الاستئصال (Ablation Studies):
- إسناد الائتمان: وُجد أن الوزن المعتمد على تشابه جيب التمام يتفوق على الوزن الموحد أو الأسي.
- خسارة التفضيل: أدى تضمين خسارة التفضيل إلى تحسين دقة التنبؤ بالمكافأة بنسبة ~%3 وتحسين جودة الفيديو النهائية.
- ميزانية البحث: تتحسن الأداء مع عدد المرشحين ( $N$ )، حيث يوفر $N=6$ توازنًا جيدًا بين الجودة والتكلفة.

5. الأهمية

تحول في النموذج (Paradigm Shift): ينقل LatSearch التوسع في وقت الاستدلال من "تقييم المخرج النهائي" إلى "الإشراف على مستوى العملية". وهذا يسمح بالتصحيح المبكر للأخطاء وتقليم المرشحين، وهو ما كان مستحيلاً سابقًا بسبب غياب التغذية الراجعة المتوسطة.
القابلية للتوسع: يثبت أن استراتيجيات البحث المعقدة (مثل بحث الشعاع أو الخوارزميات التطورية) يمكن تطبيقها بكفاءة على توليد الفيديو إذا تم نقل معيار التقييم إلى الفضاء الكامن.
الواقعية: يقدم الطريقة "أفضل ما في العالمين": فهو يفتح آفاق مكاسب الجودة الناتجة عن البحث المكثف مع الحفاظ على أوقات استدلال قريبة من عينات الانتشار القياسية، مما يجعل توليد الفيديو عالي الجودة أكثر سهولة وكفاءة.

باخت صدار، يحل LatSearch مشكلة الاختناق الحوسبي في بحث الفيديو من خلال تقديم نموذج مكافأة كامن يوفر تغذية راجعة دقيقة وفورية، مما يسمح باختيار مسارات توليد عالية الجودة دون التكلفة الباهظة لفك التشفير.