ملخص تقني: تشابه الرأس (Head Similarity)

تعريف المشكلة

صُممت أنظمة التعرف على الوجه التقليدية لتعلم تمثيلات (embeddings) ثابتة الهوية، حيث تعمل عمدًا على كبح التباينات داخل الهوية الواحدة مثل تسريحة الشعر، أو المكياج، أو التقدم في العمر، وذلك لدمج جميع عينات الشخص في عنقود واحد متماسك. وبينما يعد هذا النهج فعالاً للتحقق البيومتري، إلا أنه يفشل في السيناريوهات التي تتطلب اتساقاً حساساً للمظهر، مثل توليد الفيديو، وإعادة التمثيل (reenactment)، والتحرير. في هذه السياقات، لا يقتصر الهدف على مجرد التحقق من الهوية القانونية، بل يمتد لضمان أن المتوالية تعرض نفس الشخص بصرياً، حتى عندما تتغير سمات المظهر.

تعاني النماذج الحالية من مشكلة تشابه الرأس الكامل لأنها:

1. تدمج حالات المظهر المختلفة لنفس الهوية في تمثيل واحد، مما يؤدي إلى الفشل في التمييز بين شخص يرتدي نظارات أو بدونها، أو بتسريحات شعر مختلفة.
2. تعاني من تدهور كبير في الأداء عند الانتقال من قصات الوجه المحاذية (aligned facial crops) إلى صور الرأس الكامل غير المحاذية (unaligned whole-head images) (انزياح التوزيع).
3. لا يمكنها فرض ترتيب تشابه هرمي حيث يتم تصنيف عينات الهوية نفسها ذات المظاهر المختلفة (مثل تسريحات الشعر المختلفة) في مرتبة أعلى من عينات الهويات المختلفة، حتى لو تشاركت الأخيرة في سمات بصرية متشابهة.

تقدم الورقة البحثية "تشابه الرأس" (Head Similarity)، وهو صياغة جديدة تمتد من التعرف المتمحور حول الهوية إلى نمذجة مظهر الرأس الكامل المهيكلة. وتهدف إلى الحفاظ على التباينات الهيكلية للمظهر داخل الهوية الواحدة مع الحفاظ على التمييز بين الهويات وعدم التأثر بالعوامل المزعجة (الإضاءة، الخلفية، الوضعية الطفيفة).

المنهجية

يعالج الإطار المقترح المشكلة من خلال بنية Vision Transformer ثنائية الـ CLS (Dual-CLS) مدمجة مع إشراف تشابه هرمي وتقطير مدرك للهوية.

1. صياغة المشكلة

تُعرف المهمة من خلال ثلاث علاقات زوجية في فضاء التمثيل:

• $R_1$: نفس الهوية، نفس حالة المظهر (العنقود الأكثر إحكاماً).
• $R_2$: نفس الهوية، حالات مظهر مختلفة (مسافة متوسطة).
• $R_3$: هويات مختلفة (الأبعد مسافة).

الهدف هو تعلم دالة تمثيل $f_\theta$ تفرض الترتيب الهرمي:
$$s_\theta(R_1) > s_\theta(R_2) > s_\theta(R_3)$$
حيث $s_\theta$ هي تشابه جيب التمام (cosine similarity). يضمن هذا أن اتساق الهوية يهيمن على تشابه المظهر، ولكن تظل حالات المظهر قابلة للتمييز ضمن الهوية نفسها.

2. البنية: Vision Transformer ثنائي الـ CLS

العمود الفقري هو Vision Transformer (ViT) مدرب مسبقاً باستخدام AdaFace. على عكس أنظمة التعرف على الوجه القياسية التي تستخدم رمز تصنيف (classification token) واحداً، يستخدم هذا النموذج رمزين CLS قابلين للتعلم:

• $CLS_{id}$: مُحسَّن للحفاظ على الهوية.
• $CLS_{head}$: مُحسَّن لتشابه مظهر الرأس الحساس للمظهر.

يتشارك كلا الرمزين نفس معاملات العمود الفقري (backbone) ولكنهما يُسقطان في تمثيلات منفصلة ($z_{id}$ و $z_{head}$) عبر رؤوس إسقاط (projection heads) متميزة ($g_{id}$ و $g_{head}$).

• $z_{id}$: يُستخدم عند الاستدلال لكل من التحقق من الهوية وتصنيف التشابه. ويتم تدريبه باستخدام كل من التقطير والخسارة الهرمية.
• $z_{head}$: تمثيل إضافي يُستخدم فقط أثناء التدريب لتوفير إشارات حساسة للمظهر؛ ويتم التخلص منه عند الاستدلال.

3. استراتيجية التدريب

تتضمن سلسلة التدريب ثلاثة مكونات رئيسية:

1. محاذاة الهوية القائمة على التقطير: لسد الفجوة التوزيعية بين قصات الوجه المحاذية (المستخدمة في التدريب المسبق) ومدخلات الرأس الكامل، يتم محاذاة فرع $z_{id}$ مع شبكة معلمة مجمدة (AdaFace-ViT) مدربة على الوجوه المحاذية. تُعرف الخسارة كـ $L_{align} = 1 - \cos(z_t, z_{id})$.
2. خسارة التشابه الهرمي: تفرض خسارة هامش متعددة المستويات تعتمد على Softplus الترتيب $R_1 > R_2 > R_3$. وتُطبق على كل من $z_{id}$ و $z_{head}$ لهيكلة تمثيلات الهوية والمظهر بشكل مشترك.
3. بناء مجموعة البيانات: تم بناء مجموعة بيانات مرجعية (HeadSim-Head) من فيديوهات طويلة الأمد. يتم اشتقاق الإشراف الضعيف لحالات المظهر من التجميع الزمني (الإطارات ضمن نفس مقطع الفيديو القصير يُفترض أنها تشترك في نفس حالة المظهر). تغطي مجموعة البيانات وضعيات، وعوائق، وتغيرات زمنية متنوعة.

المساهمات الرئيسية

1. تعريف المهمة: تقديم "تشابه الرأس"، وهي صياغة تتجاوز التعرف على الوجه الثابت الهوية لتنمذج مظهر الرأس الكامل المهيكل، مع الحفاظ صراحةً على تباينات المظهر داخل الهوية الواحدة.
2. المعيار المرجعي: بناء مجموعة بيانات واسعة النطاق من فيديوهات طويلة الأمد مع حالات مظهر خاضعة لإشراف ضعيف، تغطي وضعيات وعوائق وتغيرات زمنية متنوعة.
3. المنهجية: اقتراح نموذج أساسي بسيط وفعال وهو Dual-CLS Vision Transformer الذي يجمع بين التقطير المدرك للهوية والإشراف على التشابه الهرمي لنمذجة الحفاظ على الهوية وتشابه المظهر الحساس للمظهر بشكل مشترك.
4. النتائج التجريبية: إثبات أن نماذج التعرف على الوجه التقليدية تفشل في التقاط التشابه المعتمد على المظهر، بينما يحقق الأسلوب المقترح تطابقاً قوياً للرأس الكامل دون التضحية بقدرات التحقق من الهوية.

النتائج التجريبية

أداء التحقق من الوجه

عند تكييف نماذج التعرف على الوجه مع مدخلات الرأس الكامل، تعاني النماذج القياسية من انخفاض حاد في الأداء.

• AdaFace-ViT: ينخفض معدل التحقق (VR) عند FAR=$10^{-3}$ من 0.914 (الوجه المحاذي) إلى 0.078 (الرأس الكامل).
• Distilled AdaFace: يستعيد نهج التقطير المقترح الأداء، محققاً 0.912 VR عند FAR=$10^{-3}$ على مدخلات الرأس الكامل، وهو ما يقارب خط الأساس للوجه المحاذي.

أداء تشابه الرأس

في مجموعة بيانات HeadSim-Head، يتفوق الأسلوب المقترح على النماذج المرجعية في التمييز بين حالات المظهر المهيكلة:

• الأسلوب المقترح (Ours): يحقق 0.862 VR عند FAR=$10^{-3}$ و 0.996 AUC.
• TransReID-ViT: رغم تحقيقه لأداء تشابه قوي (0.749 VR)، إلا أنه يفشل في التحقق من الهوية (0.025 VR على VoxCeleb2)، مما يشير إلى اعتماده المفرط على إشارات المظهر العالمية وافتقاره للتمييز بين الهويات.
• Vanilla AdaFace: يؤدي أداءً ضعيفاً (0.326 VR) لأنه يدمج تباينات المظهر.

دراسات الاستئصال (Ablation Studies)

تؤكد الدراسة أن فك الارتباط على مستوى الرمز (Dual-CLS) يتفوق على الفصل على مستوى الرأس أو التمثيلات المشتركة.

• Dual-CLS (الأسلوب المقترح): يحقق 0.962 VR عند FAR=$10^{-3}$.
• Dual-Head (الفصل): يحقق 0.762 VR. حيث يؤدي فصل الرؤوس دون فك الارتباط على مستوى الرمز إلى عدم كفاية الإشراف على الهوية لفرع التشابه.
• التمثيل المشترك (Shared Embedding): يحقق 0.892 VR. حيث يواجه التمثيل الواحد صعوبة في الموازنة بين الأهداف المتعارضة المتمثلة في الثبات والحفاظ على التباين.

الأهمية والادعاءات

تدعي الورقة أن "تشابه الرأس" يسد فجوة حرجة بين تشابه الوجه والتشابه الشامل لمستوى الرأس، وهو أمر ضروري لتطبيقات مثل توليد الفيديو والتحرير حيث يتطلب الأمر اتساقاً بصرياً عبر الإطارات رغم تغيرات زاوية النظر أو النمط.

يؤكد المؤلفون أن نهجهم:

• يلتقط صراحةً تباين المظهر داخل الهوية بدلاً من كبحه.
• يفرض ترتيباً هرمياً، مما يضمن بقاء اتساق الهوية هو العامل الأساسي مع السماح أيضاً بالتمييز بين حالات المظهر المختلفة.
• يثبت الجدوى: تظهر النتائج أن نمذجة تشابه الرأس الكامل المهيكلة أمر ممكن باستخدام إطار عمل بسيط نسبياً يستفيد من الإشراف الضعيف من الفيديوهات طويلة الأمد والتقطير من نماذج التعرف على الوجه الراسخة.

تقر الورقة بالقصور، مشيرة إلى أن حالات المظهر تخضع لإشراف ضعيف (قد يكون به ضجيج) وأن الهرم الحالي هو وسيط للإدراك البشري وليس نموذجاً مثالياً للحكم الذاتي. ويُقدم الإطار المقترح كنموذج أساسي لهذه المهمة الجديدة.