ملخص تقني: نموذج VDE – تسريع نماذج التدفق المصحح عبر تفكيك وتقدير السرعة دون الحاجة لتدريب

1. بيان المشكلة

حققت نماذج التدفق المصحح (Rectified Flow - RF) أداءً فائقاً في توليد الصور والفيديو والنماذج ثلاثية الأبعاد. ومع ذلك، فإن نشرها العملي يعوقه زمن الاستجابة المرتفع (Inference Latency)، حيث تتطلب عادةً عشرات الخطوات التكرارية لأخذ العينات.

تعتمد طرق التسريع الحالية التي لا تتطلب تدريباً بشكل أساسي على نموذج "التخزين وإعادة الاستخدام" (cache-and-reuse). تقوم هذه النهج بتخزين الميزات الوسيطة (مثل مخرجات الانتباه، أو البواقي) من الخطوات السابقة وإعادة استخدامها لتخطي الحسابات الزائدة. وقد حدد المؤلفون خللاً جوهرياً في هذه الاستراتيجية وهو: عدم تطابق المدخلات مع المخزن المؤقت (cache-input mismatch). نظرًا لأن الميزات المخزنة ثابتة بينما يتطور مدخل النموذج ديناميكيًا خلال مسار أخذ العينات، فإن إعادة استخدام الميزات القديمة تؤدي إلى عدم تطابق بين المخرج والمدخل. ينتشر هذا الخلل ويؤدي إلى تدهور الدقة البصرية، مثل تليين الأنسجة وعدم الاتساق الهيكلي.

2. المنهجية: تفكيك وتقدير السرعة (VDE)

يقترح البحث طريقة تفكيك وتقدير السرعة (Velocity Decomposition and Estimation - VDE)، وهي طريقة لا تتطلب تدريباً، تنقل نموذج التسريع من "التخزين وإعادة الاستخدام" إلى "التفكيك والتقدير". بدلاً من إعادة استخدام الميزات الثابتة، يقوم VDE ببناء دالة تقدير خفيفة الوزن للتنبؤ بسرعة النموذج مباشرة من المدخل الحالي.

الآلية الجوهرية

تعتمد الطريقة على ملاحظة أن متجه السرعة $v_t$ الذي يتنبأ به النموذج يظهر انتظامات زمنية قوية عند تفكيكه بالنسبة للمدخل الكامن الحالي $x_t$.

1. تفكيك السرعة (Velocity Decomposition):
   يتم تفكيك السرعة $v_t$ بشكل فريد إلى مكونين:

• مكون موازٍ (Parallel component): محاذٍ للمدخل $x_t$.
• مكون متعامد (Orthogonal component): عمودي على $x_t$.

رياضياً، يُعبر عن ذلك كالتالي:
$$v_t = \alpha_t x_t + \beta_t \|x_t\| u_t$$
حيث أن:

• $\alpha_t$ و $\beta_t$ هما معاملان قياسيان.
• $u_t$ هو متجه وحدة يمثل الاتجاه المتعامد ($u_t \perp x_t$).

2. الانتظامات الزمنية (النتائج التجريبية):
   من خلال تحليل مكثف، لاحظ المؤلفون وجود نمطين مستقرين خلال "المرحلة المستقرة" من أخذ العينات (بعد مرحلة الإحماء الأولية):

• معاملات قابلة للتنبؤ: تتطور المعاملات القياسية $\alpha_t$ و $\beta_t$ بسلاسة مع وجود خطية محلية قوية بين الخطوات المتتالية. وهذا يسمح بتقديرها بشكل موثوق عبر الاستكمال الخطي (linear extrapolation) من القيم التاريخية الأخيرة.
• اتجاه متعامد مستقر: يظل متجه الوحدة $u_t$ ثابتاً تقريباً عبر فترات قصيرة (تشابه جيب التمام $> 0.99$). وهذا يسمح بإعادة استخدام أحدث اتجاه متعامد دون خطأ كبير.

3. خوارزمية VDE:
   يعمل VDE بنمط "المرساة والتقدير" (anchor-and-estimate):

• خطوات المرساة (Anchor Steps): في فترات دورية (على سبيل المثال، كل $n$ خطوة)، يتم تنفيذ تمريرة أمامية كاملة للنموذج. يتم تفكيك السرعة للحصول على الزوج $(\alpha_t, \beta_t, u_t)$ الحقيقي.
• خطوات التقدير (Estimation Steps): في الخطوات الواقعة بين خطوات المرساة، يتم تقدير السرعة دون حسابات النموذج:
  • المعاملات ($\hat{\alpha}_t, \hat{\beta}_t$): تُقدر عبر الاستكمال الخطي بناءً على المعاملات من آخر خطوتين مرساتين.
  • الاتجاه ($\hat{u}_t$): يُعاد استخدامه من آخر خطوة مرساة.
  • التوليف (Synthesis): يتم إعادة بناء السرعة المقدرة $\hat{v}_t$ تحليلياً باستخدام المدخل الحالي $x_t$ والمكونات المقدرة:
    $$\hat{v}_t = \hat{\alpha}_t x_t + \hat{\beta}_t \|x_t\| \hat{u}_t$$

هذا النهج متكيف مع المدخلات (input-adaptive) بطبيعته، حيث يتم بناء المخرج الجديد من المدخل الحالي $x_t$، مما يلغي الاعتماد على الميزات القديمة.

3. المساهمات الرئيسية

• تحديد المشكلة: حدد البحث "عدم تطابق المدخلات مع المخزن المؤقت" كسبب جذري لفقدان الدقة في طرق التسريع القائمة على التخزين، وأعاد صياغة التسريع الذي لا يتطلب تدريباً كمسألة تقدير لخريطة (مدخل-مخرج).
• نموذج جديد: قدم VDE، الذي يستبدل إعادة استخدام الميزات الثابتة بالتفكيك والتقدير الديناميكي. وهذا يقضي جوهرياً على عدم تطابق (المخرج-المدخل) الناتج عن المخازن المؤقتة القديمة.
• الاكتشاف التجريبي: أثبت المؤلفون أن تفكيك السرعة إلى مكونات موازية ومتعامدة يكشف عن انتظامات زمنية قوية (الخطية المحلية للمعاملات واستقرار الاتجاه) التي تمكن من التقدير الدقيق ومنخفض التكلفة.
• الأداء: تظهر التجارب المكثفة أن VDE يحقق تسريعاً كبيراً (من 2.04× إلى 3.22×) مع أدنى قدر من الفقد في الجودة البصرية، متفوقاً على أفضل النماذج المرجعية مثل TeaCache و EasyCache.

4. النتائج التجريبية

قام المؤلفون بتقييم VDE على نماذج توليد الصور (FLUX.1 [dev], Qwen-Image) ونموذج توليد الفيديو (Wan2.1).

• توليد الصور (FLUX.1):
  • حقق VDE-fast تسريعاً بمقدار 3.01× (16 NFE) مع تحسين قيمة SSIM من 0.7240 (في EasyCache-fast) إلى 0.8267 وتقليل LPIPS من 0.3197 إلى 0.1997.
  • حقق VDE-slow تسريعاً بمقدار 2.21× مع جودة بصرية مطابقة تقريباً للنموذج المرجعي T=50، متفوقاً على أفضل نموذج مرجعي (EasyCache-slow) بنسبة 19.5% في SSIM و30.3% في PSNR.
• توليد الصور (Qwen-Image):
  • حقق VDE-slow تسريعاً بمقدار 2.04× مع قيمة LPIPS بلغت 0.069، مما يمثل انخفاضاً بنسبة 52.2% في الخطأ مقارلة بأفضل نموذج مرجعي.
  • طابق درجة ImageReward للنموذج المرجعي الكامل T=50 البالغة (1.295)، مما يشير إلى دقة إدراكية عالية.
• توليد الفيديو (Wan2.1):
  • حقق VDE تسريعاً بمقدار 2.50× (40 NFE) مع الحفاظ على درجة VBench عند 80.43، وهي مقاربة للنموذج الأصلي (81.30) ومتفوقة على طرق التسريع الأخرى.
• التحليل النوعي: تظهر المقارنات البصرية أنه بينما تعاني طرق التخزين المؤقت غالباً من تدهور الأنسجة وعدم الاتساق الهيكلي، يحافظ VDE على التكوين العالمي والتفاصيل الدقيقة (الأشكال، التظليل) بشكل يضاهي النموذج المرجعي T=50.

5. الأهمية والادعاءات

يزعم البحث أن VDE يقدم منظوراً جديداً لتسريع النماذج التوليدية. فمن خلال الانتقال من إعادة استخدام الميزات إلى التقدير الديناميكي، فإنه يخفف بفعالية من مشكلة عدم تطابق المدخلات مع المخزن المؤقت التي تعاني منها الطرق الحالية التي لا تتطلب تدريباً.

يؤكد المؤلفون أن VDE يتميز بـ:

• عدم الحاجة للتدريب (Training-free): لا يتطلب أي بيانات إضافية أو دورات تحسين.
• التكيف مع المدخلات (Input-Adaptive): يبني المخرجات بناءً على حالة المدخل الحالي، مما يضمن دقة عالية.
• القابلية للتوسع (Scalable): يتعمم بشكل جيد عبر مختلف الدقات، ونسب العرض إلى الارتفاع، وبنيات النماذج المختلفة (نماذج الصور والفيديو القائمة على DiT).
• الكفاءة (Efficient): يتضمن التفكيك والتقدير عمليات حسابية بسيطة فقط، مما يضيف عبئاً حسابياً ضئيلاً جداً مقارنة بالوفر الناتج عن تخطي التمريرات الأمامية.

يخلص العمل إلى أن VDE يوفر مقايضة فائقة بين السرعة والدقة، مما يتيح النشر العملي لنماذج التدفق المصحح عالية الجودة في السيناريوهات التي تعمل بالوقت الحقيقي أو ذات الموارد الحسابية المحدودة.