⚡ electrical engineering

Stochastic Generative Plug-and-Play Priors

تقدم هذه الورقة إطار عمل "النماذج التوليدية العشوائية القابلة للتشغيل المباشر" (SGPnP)، الذي يؤسس صلة نظرية بين طرق "التوصيل والتشغيل" (Plug-and-Play) ونماذج الانتشار القائمة على الدرجة (score-based diffusion models) لتمكين الاستخدام المباشر لنماذج الانتشار المسبقة التدريب كعناصر مسبقة، مع توظيف حقن الضجيج لتحسين هدف التنعيم الغاوسي من أجل تعزيز المتانة في المشكلات التصويرية العكسية شديدة سوء التحديد.

المؤلفون الأصليون: Chicago Y. Park, Edward P. Chandler, Yuyang Hu, Michael T. McCann, Cristina Garcia-Cardona, Brendt Wohlberg, Ulugbek S. Kamilov

نُشر 2026-04-07

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Chicago Y. Park, Edward P. Chandler, Yuyang Hu, Michael T. McCann, Cristina Garcia-Cardona, Brendt Wohlberg, Ulugbek S. Kamilov

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 حل أحجية صور مقطوعة (jigsaw puzzle) ضخمة ومعقدة، لكن أحدهم أخذ جزءاً كبيراً من القطع، ولوّث القطع المتبقية بالطين، ثم قام بخلط محتويات الصندوق. هدفك هو إعادة بناء الصورة الأصلية.

في عالم الكمبيوتر، يسمى هذا "مسألة عكسية" (Inverse Problem). الأمر يشبه محاولة معرفة كيف كانت تبدو صورة ضبابية قبل أن تهتز الكاميرا، أو كيف كان شكل فحص الدماغ قبل أن يتوقف الجهاز عن العمل في منتال الطريق.

لفترة طويلة، حلت أجهزة الكمبيوتر هذه المسائل باستخدام طريقة تسمى "التوصيل والتشغيل" (Plug-and-Play - PnP). فكر في (PnP) على أنه محرر صارم ومنطقي للغاية، لديه قاعدتان:

فحص الحقائق: "هل هذا التخمين يتوافق مع البيانات الضبابية التي لدينا بالفعل؟"
فحص الأسلوب: "هل هذا التخمين يبدو كصورة طبيعية ونظيفة؟"

وللقيام بـ "فحص الأسلوب"، يستخدم الكمبيوتر "مزيل ضجيج" (Denoiser)، وهو ذكاء اصطناعي ذكي تم تدريبه على تنظيف الصور المتسخة قليلاً. المشكلة هي أن هذا الذكاء الاصطناعي مثالي بعض الشيء؛ فهو بارع في تنظيف القليل من الطين، ولكن إذا كان نصف الصورة مفقوداً (قطعة كبيرة من الأحجية)، فإن الذكاء الاصطناعي يصاب بالارتباك. يحاول إجبار البيانات المتسخة لتبدو كصورة نظيفة، ولكن بما أن البيانات مكسورة جداً، فإنه ينتج مجرد نفايات غريبة أو "هلوسات" أو يستسلم تماماً.

الفكرة الجديدة: "التوصيل والتشغيل التوليدي العشوائي" (SGPnP)

ابتكر مؤلفو هذه الورقة البحثية طريقة جديدة ذكية لإصلاح ذلك. لقد دمجوا بين المحرر الصارم (PJP) ونوع جديد وقوي من الذكاء الاصطناعي يسمى "نموذج الانتشار القائم على الدرجة" (Score-Based Diffusion Model - SBDM).

إليك التشبيه:

الذكاء الاصطناعي القديم (PnP): يشبه محرر صور يعرف فقط كيفية إصلاح صورة ملطخة قليلاً. إذا قدمت له ورقة ممزقة، فلن يعرف ماذا يفعل.
الذكاء الاصطناعي الجديد (SBDM): تخيل فناناً شاهد كل النسخ الممكنة لصورة ما، من الصورة النقية إلى الصورة المغطاة بالكامل بالتشويش (static). إنه يعرف بالضبط كيف يحول الضجيج العشوائي الخالص إلى صورة جميلة. إنه معتاد على العمل مع الفوضى.

يكمن الاختراق الكبير للورقة في اكتشاف كيفية السماح لـ "فنان الفوضى" (SBDM) بالعمل داخل سير عمل "المحرر الصارم" (PnP) دون كسر القواعد.

السر المكنون: "الفوضى المنضبطة"

أدرك المؤلفون أنه عندما يضع "المحرر الصارم" تخميناً، فإن هذا التخمين غالباً ما يكون "مكسوراً بشكل غريب" بطريقة لا يعتاد عليها "فنان الفوضى". فنان الفوضى يتوقع رؤية صورة مغطاة بالضجيج العشوائي، لكن تخمين المحرر يكون مغطى بعيوب (artifacts) مهيكلة وغريبة.

لذا، قدم المؤلفون خطوة تسمى "حقن الضجيج" (Noise Injection).

التشبيه:
تخيل أنك تحاول تخمين جسم مخفي من خلال لمسه عبر بطانية سميكة.

الطريقة القديمة: تشعر بالجسم، لكن البطانية سميكة وذات شكل غريب، فلا يمكنك معرفة ماهيته.
الطريقة الجديدة (SGPnP): قبل أن تلمس الجسم، تقوم بهز البطانية بقوة (حقن الضجيج). هذا يجعل ملمس البطانية عشوائياً. الآن، عندما تلمس الجسم، تتحرك يدك بطريقة تتوافق مع "تدريب" فنان الفوضى. يمكن للفنان أن يقول: "آه، هذا ملمس قطة، رغم أن البطانية تهتز!"

من خلال هز البطانية (إضافة الضجيج)، يخدع الكمبيوتر الذكاء الاصطناعي لجعله يعتقد أنه في بيئة مألوفة. وهذا يسمح للذكاء الاصطناعي باستخدام قوته الخارقة: الخيال. يمكنه "هلوسة" الأجزاء المفقودة من الأحجية بطريقة تبدو واقعية، بدلاً من مجرد محاولة تنعيم الشقوق.

لماذا هذا أفضل؟

الهروب من المآزق: أحياناً، عند حل أحجية، قد تعلق في "فخ محلي" (local trap)—وهو حل يبدو جيداً ولكنه خاطئ بوضوح (مثل وجه بثلاث أعين). "هز البطانية" (الضجيج) يعطي الكمبيوتر دفعة صغيرة للقفز خارج هذا الفخ وإيجاد حل أفضل.
التعامل مع القطع الكبيرة المفقودة: بما أن الذكاء الاصطناعي الجديد مدرب على جميع مستويات الضجيج، من النقاء إلى التشويش الكامل، فإنه يستطيع ملء مساحات كبيرة مفقودة من الصورة (مثل صندوق أسود كبير فوق وجه) بشكل أفضل بكثير من الطرق القديمة.
الإثبات الرياضي: لم يكتفِ المؤلفون بالتخمين؛ بل أثبتوا رياضياً أن عملية "الهز" هذه تساعد الكمبيوتر على تجنب الحلول السيئة والوصد إلى أفضل إجابة ممكنة في النهاية.

النتيجة

عندما اختبروا هذه الطريقة في مشكلات من العالم الحقيقي—مثل إعادة بناء الوجوه الضبابية أو ملء الأجزاء المفقودة من فحوصات الرنين المغناطيسي للدماغ—حققت الطريقة الجديدة (SGPnP) نجاحاً باهراً.

PnP القديم: "يمكنني إصلاح الخدوش الصغيرة، ولكن إذا فُقد جزء كبير، فسوف أتوقف."
SGPnP: "يمكنني هز البيانات، واستخدام خيالي لملء الأجزاء المفقودة، وإعطاؤك صورة واقعية وعالية الجودة."

باخت-اختصار، تعلم هذه الورقة البحثية أجهزة الكمبيوتر كيف تتوقف عن كونها محررات جامدة وتبدأ في كونها فنانين مبدعين، باستخدام القليل من الفوضى المنضبطة لحل أصعب ألغاز التصوير.

إليك ملخص تقني مفصل لورقة البحث بعنوان "المسبقات العشوائية التوليدية بنظام التوصيل والتشغيل" (SGPnP).

1. بيان المشكلة

تعد إعادة بناء الصور من قياسات غير مكتملة ومشوشة (المسائل العكسية) أمراً جوهرياً في مجالات مثل التصوير بالرنين المغناطيسي (MRI)، وتكبير الدقة (super-resolution)، وإكمال الأجزاء المفقودة (inpainting). لقد أصبحت طرق "التوصيل والتشغيل" (Plug-and-Play - PnP) نهجاً قياسياً عبر التناوب بين خطوات اتساق البيانات ومرشح تنقية (denoiser) متعلم يعمل كمسبق (prior).

ومع ذلك، تواجه طرق PnP قيوداً كبيرة في المسائل العكسية شديدة سوء التحديد (مثل إكمال الصور ذات الأقنعة الكبيرة):

عدم تطابق التوزيع: غالباً ما تحتوي تكرارات PnP المتوسطة على عيوب هيكلية بدلاً من الضجيج الغاوسي المضاف الذي تُدرب عليه المرشحات القياسية.
نطاق ضجيج محدود: عادةً ما تُدرب مرشحات PnP التقليدية (مثل DRUNet) فقط على استعادة الصور ذات الضجيج المنخفض، مما يؤدي إلى الفشل عندما تتطلب المدخلات "تخيّل" معلومات مفقودة كبيرة.
نقاط السرج (Saddle Points): غالباً ما تتعثر عملية التحسين الحتمية في مساحات غير محدبة في نقاط سرج صارمة، مما يؤدي إلى عمليات إعادة بناء دون المستوى الأمثل.

بينما توفر نماذج الانتشار القائمة على الدرجة (SBDMs) مسبقات توليدية قوية تم تدريبها عبر نطاق واسع من مستويات الضجيج، إلا أن دمجها مباشرة في PnP دون اللجوء إلى عملية أخذ عينات الانتشار العكسي الكاملة (وهي عملية مكلفة حوسبياً ومختلفة عن التحسين) ظل تحدياً مفتوحاً.

2. المنهجية

يقترح المؤلفون إطار عمل يجسّر الفجوة بين تحسين PnP الكلاسيكي والنماذج التوليدية القائمة على الدرجة.

أ. التفسير القائم على الدرجة لـ PnP

تؤسس الورقة رابطاً رياضياً بين تكرارات PNT وتنقية الدرجة باستخدام صيغة تودي (Tweedie's formula).

التكيف: اشتقوا صيغاً لربط نماذج SBDMs المدربة مسبقاً (من نوعي تباين الانفجار Variance-Exploring وتباين الحفظ Variance-Preserving) بخطوة تنقية PnP.
مطابقة المعلمات: بما أن نماذج SBDMs تعتمد على خطوات زمنية منفصلة ( $t$ ) بينما يستخدم PnP مستويات ضجيج مستمرة ( $\sigma$ )، فقد قدم المؤلفون استراتيجية استيفاء خطي لربط مستوى ضجيج PnP بخطوة الزمن المحددة المطلوبة لنموذج الانتشار.
SDPnP (PnP الحتمي القائم على الدرجة): يستبدل هذا النموذج الأساسي المرشح القياسي في خوارزميات PnP (مثل ADMM، HQS، PGM) بنموذج SBDM المتكيف، مما يسمح باستخدام مسبقات الضجيج العالي دون الحاجة لأخذ عينات عكسية.

ب. PnP التوليدي العشوائي (SGPnP)

لمعالجة عدم تطابق التوزيع وركود التحسين، قدم المؤلفون حقن الضجيج في مدخلات المرشح.

الآلية: قبل تطبيق مرشح SBDM، يتم إضافة ضجيج غاوسي ( $\sigma_{inject} n$ ) إلى التكرار المتوسط ( $z_k$ ).
مستويات ضجيج منفصلة: الابتكار الرئيسي هو السماح لـ مستوى الضجيج المحقون ( $\sigma_{inject}$ ) بالاختلاف عن مستوى ضجيج الشرط ( $\sigma_{cond}$ ) للمرشح. وهذا يأخذ في الاعتبار حقيقة أن التكرارات المتوسطة تحتوي على فساد ناتج عن كل من الضجيج المحقون والعيوب المتبقية من خطوات اتساق البيانات.
الخوارزمية: تم تنفيذ إطار العمل في متغيرات PnP القياسية (SGPnP-ADMM، SGPnP-PGM، SGPnP-RED)، مما يحول خطوة التنقية الحتمية إلى انتقال عشوائي محكوم.

3. المساهمات الرئيسية

الرابط النظري: تقدم الورقة أول اشتقاق مبدئي يوضح كيفية استخدام نماذج SBDMs المدربة مسبقاً مباشرة كمرشحات داخل حلقات تحسين PnP، متجاوزة الحاجة إلى أخذ عينات الانتشار العكسي في كل خطوة.
إطار عمل SGPnP: تقديم إطار عمل عشوائي يقوم بحقن الضجيج لمواءمة التكرارات المتوسطة مع توزيع تدريب SBDM وتسهيل ديناميكيات التحسين.
الضمانات النظرية:
- الهروب من نقاط السرج: أثبت المؤلفون أنه تحت شروط محددة، يؤدي الضجيج المحقون إلى توليد تدرج عشوائي يحقق شرط "التقوس السلبي المترابط" (CNC)، مما يضمن هروب الخوارزمية من نقاط السرج الصارخة في الهدف الممهد غاوسياً.
- التقارب: أثبتوا أنه تحت جدول زمني للضجيج المتلاشي (حيث يتلاشى الضجيج عبر التكرارات)، تتقارب التكرارات نحو نقطة ثابتة لهدف "الاحتمال الأقصى البعدي" (MAP) الأصلي غير الممهد.
استراتيجية فصل الضجيج: إثبات أن فصل ضجيج الحقن عن ضجيج الشرط يحسن الاستقرار والأداء بشكل كبير في المهام شديدة سوء التحديد.

4. النتائج التجريبية

تم تقييم الطريقة على مجموعتي بيانات FFHQ (الوجوه الطبيعية) و fastMRI (صور الدماغ متعددة الملفات) عبر مهام مثل إكمال الأجزاء المفقودة (box inpainting)، وتكبير الدقة، وإزالة الضبابية، والتحسس المضغوط (compressed sensing MRI).

الأداء مقابل النماذج المرجعية: يتفوق SGPnP باستمرار على:
- PnP الحتمي (DPIR، PnP-ADMM): مكاسب كبيرة في قيم PSNR و SSIM و LPIPS.
- PnP العشوائي (SNORE): رغم أن SNORE يضيف ضجيجاً، إلا أنه يعتمد على مرشحات ذات ضجيج منخفض. استخدام SGPnP لنماذج SBDMs يحقق نتائج متفوقة، خاصة في إكمال الصور ذات الأقذفة الكبيرة حيث يفشل SNORE في توليد محتوى معقول.
- حلول الانتشار (DPS، DiffPIR): يحقق SGPnP أداءً تنافسياً أو متفوقاً على حلول الانتشار المخصصة مع الحفاظ على كفاءة إطار العمل القائم على التحسين.
دراسات الاستئصال (Ablation Studies):
- تكييف الدرجة: مجرد استبدال مرشح CNN بنموذج SBDM (SDPnP) يحسن النتائج، لكن إضافة حقن الضجيج (SGPS) توفر مكاسب جوهرية إضافية.
- فصل الضجيج: استخدام قيم مختلفة لـ $\sigma_{inject}$ و $\sigma_{cond}$ يعطي استقراراً أفضل من مطابقتها (كما في SNORE).
- نطاق الضجيج: تقييد SBDM بنطاقات الضجيج المنخفض يلغي فوائده؛ لذا فإن الاستفادة من كامل طيف الضجيج أمر بالغ الأهمية للنجاح.

5. الأهمية

يمثل هذا العمل خطوة كبيرة للأمام في التصوير الحسابي من خلال توحيد التحسين القائم على PnP مع المسبقات التوليدية للانتشار.

المتانة: يحل مشكلة "سوء التحديد الشديد" حيث تفشل الطرق التقليدية في تخيل الهياكل المفقودة، مما يسمح بإعادة بناء عالية الجودة في مهام مثل إكمال الأجزاء المفقودة ذات الأقنعة الكبيرة.
الكفاءة: على عكس الطرق التي تتطلب أخذ عينات انتشار عكسي كاملة (وهي بطيئة)، يحافظ SGPnP على سرعة التحسين التكراري مع الاستفادة من القدرة التعبيرية لنماذج الانتشار.
الأساس النظري: من خلال تقديم براهين صارمة للهروب من نقاط السرج والتقارب، تنقل هذه الورقة PnP من كونه نهجاً هندسياً تجريبياً إلى إطار عمل راسخ نظرياً قادر على التنقل في مساحات الطاقة المعقدة وغير المحدبة.

باختصار، يثبت SGPnP أن حقن الضجيج في تكرارات PnP، عند دمجه مع مسبقات الدرجة، يخلق طريقة قوية، متينة، وسليمة نظرياً لحل أصعب مشكلات إعادة بناء الصور.