💻 computer science

4KLSDB: A Large-Scale Dataset for 4K Image Restoration and Generation

تقدم الورقة البحثية 4KLSDB، وهي مجموعة بيانات ضخمة وعالية الجودة تتكون من 129,484 صورة بدقة 4K منسقة مع عمليات تصفية وتوسيم صارمة، صُممت لتعزيز أبحاث استعادة وتوليد الصور المتطورة من خلال إثبات أن التدريب على بيانات 4K أصلية يحسن دقة النموذج بشكل كبير.

المؤلفون الأصليون: Zihao Zhu, Kuan-Ru Huang, Zhaoming Xu, Renjie Li, Bo Wu, Ruizheng Bai, Mingyang Wu, Sayak Paul, Zhengzhong Tu

نُشر 2026-05-26

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Zihao Zhu, Kuan-Ru Huang, Zhaoming Xu, Renjie Li, Bo Wu, Ruizheng Bai, Mingyang Wu, Sayak Paul, Zhengzhong Tu

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 تعليم روبوت فنان كيف يرسم لوحة فنية رائعة. لسنوات، لم تكن قادراً إلا على إظهار بطاقات بريدية صغيرة وضبابية للعالم له. كنت تقول: "هذه صورة لجبل"، لكن الروبوت لم يكن يرى سوى كتلة ضبابية. وعندما يحاول رسم نسخة بحجم لوحة إعلانية ضخمة بدقة 4K لذلك الجبل، كان عليه أن يخمن كل التفاصيل المفقودة، مما يؤدي غالباً إلى نتيجة طينية غير واقعية.

تقدم هذه الورقة البحثية 4KLSDB، وهي مكتبة جديدة ضخمة من الصور "الأصلية بدقة 4K" المصممة لحل هذه المشكلة. فكر في الأمر كترقية تدريب الروبوت من مجموعة من البطاقات البريدية الضبابية إلى ألبوم صور عالي الدقة وفائق الوضوالح.

إليك تفصيل لما قاموا به ولماذا يهم ذلك، باستخدام تشبيهات بسيطة:

1. المشكلة: فجوة "البطاقة البريدية الضبابية"

حتى الآن، كانت معظم مجموعات البيانات العامة المستخدمة لتدريب الذكاء الاصطناعي مثل لقطات منخفضة الدقة (HD أو 2K). وحتى لو أردت من الذكاء الاصطناعي إنشاء أو إصلاح صورة ضخمة بدقة 4K، فإنه سيُجبر على التعلم من أمثلة صغيرة ومنقطة (pixelated).

التشبيه: الأمر يشبه محاولة تعلم كيفية قيادة سيارة فورمولا 1 من خلال التدرب فقط في سيارة "جو كارت" لعبة. السيارة اللعبة لا تملك نفس السرعة أو الوزن أو التحكم، لذا عندما تركب السيارة الحقيقية أخيراً، ستصطدم.
الفجوة: كانت مجموعات البيانات الموجودة إما صغيرة جداً، أو ضبابية جداً، أو ببساطة غير موجودة بدقة 4K حقيقية. كان الباحثون عالقين في تخمين كيفية جعل الصور عالية الدقة تبدو جيدة.

2. الحل: "المكتبة شديدة الوضوح" (4KLSDB)

قام المؤلفون ببناء مجموعة بيانات جديدة تسمى 4KLSDB. تحتوي على ما يقرب من 130,000 صورة بدقة 4K أصلية. وهذا يعني أن الصور تم التقاطها أو إنشاؤها بتلك الدقة العالية، وليس مجرد تكبيرها من حجم أصغر (الذي يبدو عادةً منقطاً).

التنوع: المكتبة ليست نوعاً واحداً من الصور فقط. فهي مزيج من المناظر الطبيعية، وشوارع المدن، والناس، والطعام، والأعمال الفنية، والصور المنشأة بالحاسوب (CGI). إنها تغطي كل شيء، من اللقطات الواسعة للمدينة إلى اللقطات القريبة جداً لعين إنسان.
ضبط الجودة: لا يمكنك مجرد رمي 130,000 صورة عشوائية في مكتبة؛ فقد تكون بعضها ضبابية، أو قبيحة، أو مزيفة. لقد بنى الفريق "خط أنابيب لتصفية الجودة":
1. حارس البوابة الروبوتي: استخدموا نماذج ذكاء اصطناعي لفحص الدقة وإزالة الصور التي كانت ضبابية للغاية أو تحتوي على عيوب غريبة.
2. ناقد الفنون: استخدموا ذكاءً اصطناعياً آخر لتقييم "الجمال الجمالي" للصور، مع الاحتفاظ بأفضل 80% منها فقط.
3. العين البشرية: أخيراً، قام مراجعون بشريون بفحص الصور المتبقية لاستبعاد أي شيء لا يزال يبدو غريباً أو منخفض الجودة.
- النتي نتيجة: مجموعة نقية وعالية الجودة من صور 4K جاهزة للتدريب.

3. التجربة: تعليم الروبوت باستخدام المكتبة الجديدة

لإثبات فعالية هذه المكتبة، قام الباحثون بتعليم ثلاثة أنواع مختلفة من نماذج الذكاء الاصطناعي باستخدام 4KLSDB وقارنوها بنماذج تم تدريبها على مجموعات البيانات القديمة الضبابية.

المهمة أ: التراكب الفائق (إصلاح الصور الضبابية)

الهدف: أخذ صورة صغيرة وضبابية وجعلها حادة وضخمة.
النتيجة: عندما تم تدريب الذكاء الاصطناعي على مكتبة 4K الجديدة، أصبح أفضل بكثير في إعادة بناء التفاصيل الدقيقة.
التشبيه: تخيل محاولة ترميم صورة قديمة ومخدوشة. كانت بيانات التدريب القديمة مثل إعطاء المرمم نسخة ضبابية من الخدش. أما بيانات 4K الجديدة فهي مثل إعطائه مسحاً ضوئياً عالي الدقة للخدش، مما يسمح له بملء الخطوط المفقودة بشكل مثالي. أنتج الذكاء الاصطناعي حوافاً أكثر حدة وأنسجة أكثر واقعية، خاصة عند التكبير.

المهمة ب: الترميم في العالم الحقيقي (إصلاح الصور الفوضوية)

الهدف: إصلاح الصور الملتقطة في العالم الحقيقي، والتي قد تكون مهتزة، أو مشوشة، أو خارج نطاق التركيز.
النتيجة: الذكاء الاصطناعي المدرب على 4KLSDB لم يجعل الصورة أكثر حدة فحسب، بل جعلها تبدو أكثر واقعية. لقد قلل من "الآثار" الغريبة (الخلل الرقمي الغريب) وجعل الإضاءة والأنسجة تبدو طبيعية.
التشبيه: الأمر يشبه محرر الصور الذي يعرف تماماً كيف يجب أن تبدو ملمس البشرة أو تموجات الماء لأنه درس ملايين الأمثلة المثالية بدقة 4K، بدلاً من التخمين بناءً على صور منخفضة الدقة.

المهمة ج: توليد الصور من النصوص (إنشاء الفن من الكلمات)

الهدف: كتابة وصف (مثل "قطة ترتدي بدلة فضاء") وجعل الذكاء الاصطناعي يرسمها بدقة 4K.
النتيجة: أنتج الذكاء الاصطناعي المدرب على 4KLSDB صوراً ذات تفاصيل محلية أفضل بكثير. كان فراء القطة متميزاً، والمعدن في البدلة يحتوي على انعكاسات واقعية، وتطابق الوصف النصي مع الصورة بشكل وثيق.
التشبيه: إذا طلبت من فنان رسم "ساعة بخارية (steampunk)"، فقد يرسم الذكاء الاصطناعي القديم دائرة بنية ضبابية مع بعض التروس. أما الذكاء الاصطناعي الجديد، المدرب على 4KLSDB، فيرسم ساعة حيث يمكنك رؤية الأسنان الفردية للتروس والملمس المحدد للنحاس.

4. الحكم النهائي

تخلص الورقة البحثية إلى أن امتلاك مجموعة بيانات من الصور الأصلية بدقة 4K هو تغيير لقواعد اللعبة.

بالنسبة للترميم: يساعد الذكما الاصطناعي على إصلاح الصور الضبابية بدقة أعلى بكثير.
بالنسبة للتوليد: يساعد الذكاء الاصطناعي على إنشاء صور جديدة تبدو واقعية للغاية، حتى عند التكبير عن قرب.

يرى المؤلفون أنه تماماً كما يحتاج الموسيقي إلى تسجيل عالي الدقة لتعلم تفاصيل الأغنية، يحتاج الذكاء الاصطناعي إلى بيانات عالية الدقة (4K) لتعلم تفاصيل العالم المرئي. توفر 4KLSDB أرض التدريب عالية الدقة هذه، مما يسمح للباحثين ببناء ذكاء اصطناعي يمكنه حقاً الرؤية والإبداع بدقة فائقة الوضوح.

ملخص تقني: 4KLSDB: مجموعة بيانات واسعة النطاق لترميم وتوليد الصور بدقة 4K

1. بيان المشكلة

إن التقدم في الرؤية الحاسوبية عالية الدقة المعتمدة على البيانات، وتحديداً في الترقية الفائقة (Super-Resolution - SR)، وترميم الصور (إزالة الضجيج، إزالة الضبابية)، وتوليد الصور عبر الانتشار من النص إلى الصورة (T2I Diffusion Generation)، يعاني حالياً من ندرة مجموعات البيانات المتاحة للجمهور والمكونة من صور أصلية بدقة 4K (Native-4K) واسعة النطاق.

تقدم الموارد الحالية عدة قيود حرجة:

فجوات الدقة: مجموعات البيانات البارزة مثل DIV2K وLSDIR تقتصر على دقة HD أو 2K، بينما توفر مجموعات أخرى مثل DIV8K دقة أعلى ولكنها تفتقر إلى الحجم (على سبيل المثال، تحتوي DIV8K على 1,500 صورة تدريب فقط) المطلوب للنماذج الحديثة واسعة النطاق.
البيانات الاصطناعية مقابل الأصلية: تعتمد العديد من مجموعات البيانات عالية الدقة على التكبير الاصطناوي (Synthetic Upscaling) أو مجموعات خاصة، مما يعيق قابلية إعادة الإنتاج والمقارنة العادلة.
تجزئة المهام: غالباً ما تكون الموارد الموجودة مجزأة؛ فبعضها يدعم الترميم ولكنه يفتقر إلى مقياس الـ 4K الأصلي، بينما يدعم البعض الآخر التوليد ولكنه يفتقر إلى البيانات المقترنة منخفضة الدقة/عالية الدقة (LR/HR) أو لم يُصمم كمعيار عام يشمل كلاً من الترميم والتوليد.
ضبط الجودة: مجرد امتلاك عدد كبير من البكسلات لا يضمن القابلية للاستخدام؛ فالعديد من الصور عالية الدقة تعاني من عيوب الضغط، أو الضبابية، أو ضعف الجماليات، مما يضر بتدريب النماذج عالية الدقة.

2. المنهجية: مسار عمل 4KLSDB

لمعالجة هذه الفجوات، قدم المؤلفون 4KLSDB، وهي مجموعة بيانات منسقة تضم 129,484 صورة أصلية بدقة 4K (بالإضافة إلى 2,000 صورة للتحقق و1,984 صورة للاختبار). يتضمن بناء هذه المجموعة مسار تنسيق صارم متعدد المراحل:

2.1. اختيار المصادر والترشيح الأولي

المستودعات المصدرية: يتم سحب الحوض الأولي من مجموعات البيانات المفتوحة الراسخة: LAION-2B، وPhoto Concept Bucket، وPD12M.
القيود الهندسية: يتم ترشيح الصور مسبقاً بناءً على معايير هندسية صارمة:
- الحد الأدنى للبعد (الطول أو العرض) $\ge$ 3840 بكسل.
- إجمالي عدد البكسلات $\ge$ 3840 $\times$ 2160.
- نسبة العرض إلى الارتفاع محصورة في النطاق $[0.6, 1.6]$ لاستبعاد الصور البانورامية المتطرفة.

2.2. التوصيف الآلي للمحتوى

تم استخدام نموذج رؤية-لغة (Qwen2-VL-7B) لتوصيف الصور المحتفظ بها بـ:
- مقاييس اللقطات (Shot scales): لقطة بعيدة، لقطة متوسطة، لقطة قريبة، لقطة قريبة جداً.
- فئات المحتوى: مشاهد طبيعية، ألعاب/رسومات حاسوبية (CGI)، أنمي، لوحات فنية، إلخ.
تضمن هذه التوصيفات مراقبة التنوع أثناء تقسيم مجموعة البيانات.

2.3. ترشيح الجودة الإدراكية وغنى النسيج

لإزالة الصور التي هي تقنياً بدقة 4K ولكنها غير مناسبة بصرياً (مثل الصور الضبابية، أو المسطحة، أو المليئة بالعيوب)، يطبق المسار ما يلي:

درجة الجمالية (Aesthetic Scoring): باستخدام Q-Align لتقييم حوالي 390,000 صورة من المرحلة الأولى. يتم الاحتفاظ بأفضل 80% بناءً على المقايضة بين الجودة الإدراكية وحجم مجموعة البيانات.
ترشيح غنى النسيج (Texture Richness Filtering): يتم تطبيق مرشحين يعتمدان على الحواف لقمع الصور المسطحة أو منخفضة التباين:
- مرشح لابلاس (Laplacian Filter): يقيس قوة الحواف العالمية عبر التباين. يتم إزالة الصور التي يقع تباينها خارج نطاق مختار تجريبياً.
- نسبة تسطح رقعة سوبل (Sobel-Patch Flatness Ratio): يتم تقسيم الصورة إلى رقع بمقاس $240 \times 240$ . ويتم حساب تباين مقدار التدرج لكل رقعة. إذا تجاوزت نسبة الرقع "المسطحة" (تباين $< T_{flat}$ ) عتبة معينة ( $T_{ratio} = 65\%$ )، يتم رفض الصورة.

2.4. التحقق البشري

قام مراجعان بشريان بمراجعة الـ ~134,000 صورة المتبقية باستخدام أداة تعتمد على HTML.
تم استبعاد 668 عينة يدوياً لكونها غير جذابة بصرياً، أو تفتقر إلى التفاصيل الكافية، أو غير مناسبة.
يتكون التقسيم النهائي من 129,484 صورة للتدريب، و2,000 صورة للتحقق، و1,984 صورة للاختبار، وجميعها تم التحقق منها من حيث تنوع الفئة ومقياس اللقطة.

3. المساهمات الرئيسية

مجموعة بيانات 4KLSDB: مجموعة بيانات صور واسعة النطاق، عامة، وأصلية بدقة 4K (129 ألف صورة تدريب) مصممة لدعم كل من أبحاث ترميم الصور وتوليد الصور.
مسار ترشيح قوي: إطار عمل للتحكم في الجودة متعدد المراحل يجمع بين الفحوصات القائمة على القواعد، وتقييم الجمالية باستخدام النماذج اللغوية الكبيرة متعددة الوسائط (LMM)، والتدقيق البشري للقضاء على العينات المرفوعة (upscaled) أو منخفضة الجودة بأقل جهد يدوي.
معيار شامل: معيار ترميم 4K مع مجموعات تقييم مقترنة (LR/HR)، يدعم نماذج الترقية الفائقة القائمة على الانحدار البكسلي (pixel-regression) ونماذج الترقية الفائقة القائمة على الانتشار (diffusion-based).
أزواج (صورة-نص) متوافقة: مورد للدراسات المستقبلية في توليد الصور من النصوص، ووصف الصور، والنمذجة متعددة الوسائط بدقة فائقة للغاية.

4. النتائج التجريبية

قيم المؤلفون 4KLSDB عبر ثلاث مهام، مقارنين النماذج المدربة على مجموعات البيانات التقليدية ذات الدقة الأقل مع نفس البنيات التي تم ضبطها بدقة (fine-tuned) باستخدام 4KLSDB.

4.1. الترقية الفائقة الكلاسيكية (Classical Super-Resolution)

النماذج: HiT-SR، SwinIR، MambaIR.
الإعدادات: عوامل خفض العينة (Bicubic downsampling) بمقدار $\times4, \times8, \times16$ .
النتائج: أدى الضبط الدقيق باستخدام 4KLSDB باستمرار إلى تحسين كل من PSNR و SSIM على مجموعة اختبار 4KLSDB داخل النطاق وعلى معيار DIV8K عبر المجموعات.
- بالنسبة لـ HiT-SR، كانت مكاسب PSNR كبيرة (على سبيل المثال، +4.77 dB عند $\times4$ على 4KLSDB).
- كانت الفوائد واضحة بشكل خاص عند عوامل التكبير الأعلى ( $\times8, \times16$ )، مما يشير إلى أن بيانات 4K الأصلية توفر مسبقات (priors) للترددات العالية أقوى من مجموعات البيانات التي تقل عن 1K.

4.2. الترقية الفائقة العمياء في العالم الحقيقي (Real-World Blind Super-Resolution)

النماذج: OSEDiff، SeeSR.
المقاييس: PSNR، SSIM، LPIPS، DISTS، NIQE، FID.
النتائج: أدى الضبط الدقيق إلى تحسين كل من دقة التشوه والواقعية الإدراكية تحت ظروف التدهور الأعمى.
- بالنسبة لـ SeeSR عند $\times4$ ، ارتفع PSNR من 27.01 إلى 28.25، وانخفض FID بشكل كبير (من 38.95 إلى 33.88).
- أظهرت المقارنات البصرية أن النماذج التي تم ضبطها بدقة باستخدام 4KLSDB استعادت هياكل أكثر نظافة، وحوافاً أكثر حدة، وأنسجة محلية أكثر واقعية مقارنة بالنماذج الأساسية.

4.3. توليد الصور بدقة 4K من النص (4K Text-to-Image Generation)

النموذج: Sana (تم ضبطه بدقة باستخدام أزواج الصورة-النص من 4KLSDB).
التقييم: مقاييس آلية قائمة على الرقع (pCLIPScore، pNIQE) ودراسة مستخدم ثنائية التعمية (double-blind pairwise user studies).
النتائج:
- المقاييس الآلية: ارتفع pCLIPScore (28.62 $\to$ 29.27)، وانخفض pNIQE (5.21 $\to$ 4.63)، مما يشير إلى توافق أفضل بين النص والصورة وجودة إدراكية محلية أعلى.
- دراسة المستخدم: حقق النموذج الذي تم ضبطه بدقة معدل تفضيل إجمالي بنسبة 57.34% على النموذج الأساسي. كانت التحسينات أكثر أهمية في الواقعية (74.27%)، والتفاصيل (60.89%)، وتقليل العيوب (64.40%).
- أظهرت النتائج النوعية حدوداً أكثر حدة وأنسجة عالية التردد أكثر تماسكاً في المناطق المكبرة.

5. الأهمية والادعاءات

يزعم البحث أن 4KLSDB يعمل كمورد حاسم لدفع التقدم نحو تصنيع وترميم صور عالية الدقة حقاً. تكمن أهميته في:

سد فجوة الدقة: يوفر أول معيار واسع النطاق وأصلي بدقة 4K يوحد مهام الترميم والتوليد، متجاوزاً قيود مجموعات بيانات HD/2K.
إثبات قيمة الـ 4K الأصلية: تؤكد التجار nghiệm أن التدريب على بيانات 4K حقيقية يرتبط إيجابياً بتحسين الدقة، خاصة للمهام التي تتطلب إعادة بناء التفاصيل الدقيقة والأنسجة عالية التردد.
تمكين التحليل المعتمد على المقياس: من خلال إبقاء عينات التحقق والاختبار بدقة 4K الأصلية، تسمح مجموعة البيانات للباحثين بتقييم العيوهات المعتمدة على المقياس (مثل التنعيم الزائد، أو تكرار الأنسجة) التي غالباً ما تختفي في التقييمات ذات الدقة المنخفضة.
الفائدة المستقبلية: تم وضع مجموعة البيانات لدعم أبحاث الرؤية متعددة الوسائط عالية الدقة في المستقبل، بما في ذلك الوصف التفصيلي، والإجابة على الأسئلة البصرية، والاستدلال على مستوى المنطقة، حيث تضيع الأنسجة الدقيقة والأجسام الصغيرة غالباً في البيانات ذات الدقة المنخفضة.

يخلص المؤلفون إلى أن 4KLSDB يقدم أساساً قيماً وقابلاً لإعادة الإنتاج لمجتمع البحث للتقدم في أنظمة الرؤية فائقة الدقة.