ElasticTTT: Prior-Preserving Test-Time Tuning for Video Editing

ملخص تقني: ElasticTTT: ضبط وقت الاختبار الحافظ للنماذج الأولية لتحرير الفيديو

بيان المشكلة
برز "الضبط في وقت الاختبار" (Test-Time Tuning - TTT) كنموذج قوي لتحرير الفيديو، يهدف إلى تكييف نماذج الانتشار (diffusion models) سابقة التدريب مع فيديوهات مصدرية محددة يقدمها المستخدم لتحسين المظهر، والبنية، والحفاظ على الحركة. ومع ذلك، يحدد المؤلفون عدم تطابق جوهري بين طبيعة النماذج التوليدية للانتشار القائمة على رسم خرائط التوزيعات، وبين عملية التحسين ذات النقطة الواحدة المتأصلة في الـ TTT القياسي. هذا عدم التطابق يؤدي إلى ظاهرة تسمى "انهيار النموذج الأولي" (Prior Collapse)، وهي حالة تدهور يتخلص فيها النموذج من الشروط النصية والتمثيلات المكانية الكامنة، مما يؤدي إلى انهيار التوليدات لتصبح مطابقة للفيديو المصدر أو تشابك ميزات مناطق متميزة.

يصف الورقة "انهيار النموذج الأولي" من خلال نمطي فشل متكاملين:

1. انهيار التكييف (Conditioning Collapse): يصبح التوجيه الشرطي مرتبطاً بديناميكيات المصدر المستخدمة أثناء الضبط. يضعف النموذج تدريجياً مسارات التوجيه النصي، متجاهلاً تعليمات التحرير المستهدفة وفاشلاً في اتباع التوجيه الدلالي الجديد.
2. التشابك المكاني (Spatial Entanglement): تصبح التمثيلات المكانية مقترنة عالمياً أثناء عملية إزالة الضجيج (denoising) بينما يحاول النموذج حفظ الهدف العالمي. هذا يمنع التحكم المحلي، مما يسبب تعديلات غير مقصودة خارج المنطقة المستهدفة وفساداً بصرياً.

تُوصف التدخلات الحالية، مثل "التكيف منخفض الرتبة" (LoRA)، أو خسائر الحفاظ على النموذج الأولي، أو تعديلات خرائط الانتباه، بأنها دون المستوى الأمثل، وغالباً ما تعتمد على ضبط معماري دقيق، أو مجموعات بيانات مساعدة، أو تظل حساسة للمعلمات الفائقة (hyperparameters). علاوة على ذلك، فإن نقل تقنيات TTT القائمة على الصور إلى "محولات الانتشار بالفيديو" (Video DiT) دون تكييف يسرع بشدة من "انهيار النموذج الأولي" بسبب النماذج الأولية المكانية والزمانية المعقدة لنماذج الفيديو.

المنهجية: ElasticTTT
لحل التوتر بين التحسين وأخذ العينات واستعادة "المرونة التوليدية"، يقترح المؤلفون ElasticTTT، وهو إطار عمل يتدخل عبر كامل خط إنتاج التوليد من خلال ثلاثة مكونات مبتكرة:

1. تنظيم التوزيع المستهدف (Target Distribution Regularization - TDR):

   • الهدف: منع "انهيار التكييف" أثناء مرحلة التحسين (التدريب).
   • الآلية: بدلاً من التحسين مقابل توزيع "ديراك دلتا" (Dirac delta) حتمي وصارم (الفيديو المصدر الوحيد)، يقوم TDR بحقن عشوائية محكومة في هدف التحسين. تحديداً، يتم حساب متجه السرعة المستهدف باستخدام نسخة مضطربة من الكامن المصدر ($\tilde{x}_0 = x_0 + \epsilon_{reg}$)، بينما يظل مسار المدخلات نظيفاً.
   • الأثر: هذا يستبدل التفرد الحاد بـ "متشعب غاوسي" (Gaussian manifold) مستمر محلياً. نظرياً، هذا يدخل عقوبة متغيرة واعية بالهندسة (عقوبة Gauss-Newton) في مشهد الخسارة، مما يمنع النموذج من "الكسل" في حفظ رسم خرائط مكاني حاد للغاية. إنه يجبر النموذج على الاحتفاظ بخصائص إزالة الضجيج المرنة الخاصة به مع الاستمرار في التقارب نحو حقل متجه متوقع صحيح.

2. التوجيه التبايني الخالي من الفئة (Contrastive Classifier-Free Guidance - Contrastive CFG):

   • الهدف: حل انزياح التوزيع المتبقي وفك تشابك المفاهيم المصدرية أثناء مرحلة الاستدلال (أخذ العينات).
   • الآلية: يقوم CFG القياسي بتوجيه التوليد باستخدام مطالبة سلبية. يوسع ElasticTTT هذا إلى صيغة ثلاثية الاتجاهات. فهو يقارن صراحةً بين الشرط المستهدف ($C_{trg}$) والشرط المصدر ($C_{src}$) المستخدم أثناء الضبط. تتضمن صيغة التوجيه حداً يطرح التنبؤ المشروط بالمصدر: $v_{\theta}(x_t, t, C_{trg}) - v_{\theta}(x_t, t, C_{src})$.
   • الأثر: هذا يعمل بنشاط على دفع مسار أخذ العينات بعيداً عن "تحيز جاذب المصدر" (بئر الطاقة الذي أنشأه الـ TTT)، مما يضمن انتقالات دلالية واضحة ويستعيد قدرة النموذج على اتباع التعليمات الجديدة دون أن يُسحب مجدداً نحو مفاهيم الفيديو المصدر.

3. جدولة الضجيج غير المتزامنة (Asynchronous Noise Scheduling - Async-NS):

   • الهدف: التخفيف من "التشابك المكاني" أثناء الاستدلال.
   • الآلية: يرى المؤلفون أن التوحيد الزماني يفاقم التشابك. يقوم Async-NS بتعيين مستويات ضجيج وتضمينات زمنية متميزة للمناطق المعدلة مقابل المناطق المثبتة (غير المعدلة). يحدد القناع (mask) المناطق المعدلة؛ حيث تتبع المناطق المعدلة جدول ضجيج عالٍ ($T_e$) للسماح بالمرونة للمفاهيم الجديدة، بينما تتبع المناطق المحفوظة جدول ضجيج منخفض ($T_p$) للاحتفاظ بأقصى قدر من معلومات المصدر.
   • الأثر: هذا يكسر فيزيائياً تشابك التمثيلات من خلال إجبار الشبكة على معالجة مناطق ذات أنظمة ضجيج وتضمينات زمنية متميزة. إنه يمنح النموذج حرية محلية لإعادة كتابة المفاهيم المستهدفة مع توجيه المحيط غير المعدل بأمان للعودة إلى حالته الفيزيائية، متجنباً الحاجة إلى تعديلات تدخلية في خرائط الانتباه.

النتائج الرئيسية
يقيم البحث ElasticTTT على مجموعة اختبار مخصصة مكونة من 125 زوجاً (نص-فيديو) تغطي خمسة أنواع من المهام (تعديل الموضوع، تعديل الخلفية، إضافة موضوع، تعديل اللون، والتعديل العام)، باستخدام نموذج Wan2.1 1.3B كعمود فقري.

• الأداء الكمي: يحقق ElasticTTT أداءً هو الأفضل في فئته (SOTA) عبر مقاييس متعددة، بما في ذلك VBench (الجودة البصرية/الاتساق الزماني)، وVEBench، وCLIP-T (المحاذاة الدلالية). يتفوق على كل من الطرق الخالية من التدريب (مثل UniEdit، Flow-align) وطرق TTT الأخرى (مثل Tune-A-Video، VidTTA). ومن الملاحظ أنه يحقق درجات عالية في "الالتزام بالتعليمات" (IA) و"الحفاظ على المصدر" (SP) في آن واحد، بينما تعاني النماذج المرجعية غالباً من مقايضات (مثل الحفاظ العالي مقابل ضعف الالتزام بالتعليمات).
• التقييم البشري: في دراسة شملت 10 مشاركين، حصل ElasticTTT على أعلى متوسط درجات (3.60/5.0)، حيث تميز بشكل خاص في "جودة الفيديو" (3.87) و"الالتزام بالتعليمات" (3.32).
• دراسات الاستئصال (Ablation Studies): يؤدي إزالة أي من المكونات الثلاثة الأساسية (TDR، أو Contrastive CFG، أو Async-NS) إلى تدهور كبير في الأداء. تحديداً، بدون TDR، يفشل النموذج في إضافة مفاهيم جديدة؛ وبدون Contrastive CFG، تكون التعديلات طفيفة وغير متميزة؛ وبدون Async-NS، يفشل النموذج في عزل المناطق المستهدفة، مما يسبب تعديلاً متزامناً للمقدمة والخلفية.
• القابلية للتوسع: يتعمم الأسلوب بفعالية على النماذج الأساسية الأكبر (Wan2.2-5B)، حيث يظهر تحسناً أكثر وضوحاً في الالتزام بالتعليمات وجودة الفيديو مقارنة بنموذج 1.3B.

الأهمية والادعاءات
تدعي الورقة أن ElasticTTT يمثل حلاً مبدئياً للتوتر الجوهري بين الإفراط في التخصيص (المطلوب في TTT) والطبيعة العشوائية الحافظة للتوزيع لنماذج الانتشار. ومن خلال إثبات أن "انهيار النموذج الأولي" هو نمط فشل متميز عن الإفراط في التخصي_القياسي، يجادل المؤلفون بأن مجرد منع الإفراط في التخصيص ليس كافياً؛ بل يجب العمل بنشاط على الحفاظ على "المرونة التوليدية" للنموذج الأولي.

تكمن أهمية هذا العمل في:

1. الحل المنهجي: يوفر إطار عمل موحداً يعالج كلاً من "انهيار التكييف" و"التشابك المكاني"، وهما نمطا فشل كان يُعاملان سابقاً باستخدام استدلالات متباينة وتحت المستوى الأمثل.
2. الرؤية النظرية: يقدم تحليلاً رياضياً لكيفية حقن TDR لعقوبة واعية بالهندسة لمنع المُحسِّن من الوقوع في الحد الأدنى الحاد، وكيف يقوم Contrastive CFG جبرياً بإلغاء انزياح التوزيع الناجم عن الـ TTT.
3. الأثر العملي: يحقق أداءً هو الأفضل في فئته (SOTA) في تحرير الفيديو بلقطة واحدة دون الحاجة إلى مجموعات بيانات مزدوجة خارجية أو تدريب ثقيل، مما يجعله محرك بيانات حيوياً لتخليق بيانات تحرير مزدوجة للنماذج المستقبلية واسعة النط scale.

يختتم المؤلفون بأن عملهم يعد خطوة مهمة نحو نماذج انتشار أكثر موثوقية، ويسلط الضوء على اتجاهات واعدة لتصميم أنظمة ذكاء اصطناعي شخصية توازن بين الالتزام بالتعليمات والأمانة للمصدر.