A Query-Efficient Stochastic Volume Rendering Framework for Time-Varying Implicit Neural Volumes

تخيل أنك عالم يحاول مشاهدة فيلم لحدث معقد، مثل عاصفة دوارة أو قلب ينبض، لكن الفيلم ليس مكوناً من إطارات (frames). بدلاً من ذلك، هو وصفة سحرية مستمرة يمكنها وصف المشهد في أي لحظة زمنية، حتى في الأجزاء الضئيلة من الثانية بين الإطارات. هذا هو عالم التمثيلات العصبية الضمنية (Implicit Neural Representations - INRs). فكر فيها ليس كمجموعة من الصور المتراكمة، بل كشبكة عصبية ذكية ومدمجة تعرف شكل ولون جسم ما عند أي إحداثي $(x, y, z)$ وفي أي وقت $(t)$. العقبة هي أنه لرؤية كيف يبدو الجسم، عليك أن توجه سؤالاً لهذه الشبكة العصبية: "ما هو اللون هنا؟" وعندها يتعين على الشبكة القيام بالكثير من العمليات الحسابية الذهنية الثقيلة للإجابة. في الماضي، كان سؤال هذا السؤال لكل بكسل على الشاشة أمراً بطيئاً ومكلفاً للغاية، لدرجة أن مشاهدة هذه الأفلام في الوقت الفلي هو أمر مستحيل. كان العلماء عالقين بين رؤى ضبابية منخفضة الجودة أو الاضطرار للانتظار لدقائق لظهور إطار واحد.

يقدم هذا البحث طريقة ذكية لمشاهدة هذه "الأفلام العصبية" في الوقت الفعلي، محققاً معدل 30 إلى 40 إطاراً في الثانية على جهاز كمبيوتر ألعاب قوي. أدرك المؤلفون، ألبرت ساحيستان وفريقه، أن الطريقة القديمة للنظر إلى هذه الأحجام — وهي فحص كل نقطة على طول شعاع ضوء مثل ماشٍ بطيء ومنهجي — هي طريقة غير فعالة عندما يضطر "الماشِي" للتوقف وسؤال شبكة عصبية عن المساعدة عند كل خطوة. بدلاً من ذلك، بنوا إطار عمل لتصوير الأحجام العشوائي عالي الكفاءة في الاستعلام. إنهم يعاملون عملية التصوير (rendering) كأنها لعبة "تخمين وتحقق" باستخدام تقنية تسمى تتبع دلتا (delta tracking). تخيل أنك تسير في غابة ضبابية حيث تتغير كثافة الضباب. بدلاً من اتخاذ خطوات صغيرة متساوية والتحقق من الضباب عند كل بوصة، تقوم بقفزات كبيرة وعشوائية. إذا هبطت في بقعة كثيفة، تتوقف وتلونها؛ وإذا هبطت في بقعة رقيقة، تستمر في القفز. من خلال القيام بذلك، يسألون الشبكة العصبية عدداً أقل بكثير من الأسئلة.

ولجعل هذا أسرع، قاموا بتقسيم العمل بين نوعين مختلفين من "الأدمغة" الحاسوبية في بطاقة الرسوميات. جزء "العبور" (traversal) — وهو تحديد مكان القفز — يستخدم نوى تتبع الأشعة (ray tracing cores) المتخصصة، بينما جزء "التقييم" (evaluation) — وهو سؤال الشبكة العصبية — يستخدم نوى التنسور (tensor cores) المصممة للعمليات الحسابية الثقيلة. كما أضافوا استراتيجيات ذكية لتخطي الأسئلة تماماً في المناطق التي تبدو متشابهة (تقليم التجانس) وفقط لإعادة فحص البكسلات التي تتغير (ميزانية الأشعة التكيفية). والنتيجة هي نظام يمكنه تصوير جسم متغير الشكل والزمن بدقة 1024² مع ظلال متتبعة بالأشعة، وتحديث الخطوة الزمنية في غضون 1 إلى 2 مللي ثانية فقط. يشير البحث إلى أن هذا النهج يسمح للعلماء باستكشاف الوقت المستمر مباشرة، دون الحاجة لإعادة تدريب الشبكة العصبية أو تخزين بيانات ضخمة لكل لحظة، مما يجعل غير المرئي مرئياً بطريقة تبدو تفاعلية حقاً.

سحر الشعاع "القافز"

لفهم كيف يعمل هذا، دعونا نتخيل شعاع الضوء كمستكشف فضولي يحاول العثور على لون جسم غامض وغير مرئي. في الأيام الخوالي، كان هذا المستكشف يتخذ خطوات صغيرة جداً على طول خط مستقيم، ويتوقف عند كل خطوة ليسأل أمين المكتبة (الشبكة العصبية): "ما هو اللون هنا؟". إذا كان الجسم ضخماً والخطوات صغيرة جداً، فسيسأل المستكشف أمين المكتبة ملايين المرات. وبما أن أمين المكتبة مشغول بالقيام بعمليات حسابية معقدة، سيعلق المستكشف في الانتظار، ويتوقف الفيلم.

تغير طريقة المؤلفين الجديدة، تتبع دلتا، استراتيجية المستكشف. فبدلاً من الخطوات الصغيرة، يقوم المستكشف بقفزات كبيرة وعشوائية. لديهم قاعدة: "أنا أعلم أن الضباب لا يمكن أن يكون أكثف من هذا الحد الأقصى". لذا، يقفزون مسافة ستكون آمنة لو كان الضباب عند ذلك الحد الأقصى. وعندما يهبطون، يسألون أمين المكتبة: "هل الضباب كثيف حقاً هنا؟"

• إذا كانت الإجابة: "نعم، إنه كثيف"، يتوقفون ويلونون اللون.
• أما إذا كانت الإجابة: "لا، إنه في الواقع رقيق"، فيتجاهلون مكان الهبوط ويقومون بقفزة كبيرة أخرى.

هذا يشبه لعب لعبة حيث تتوقف فقط للتحقق من النتيجة إذا هبطت على بلاطة "خاصة". في معظم الأوقات، تستمر فقط في الطيران عبر الهواء. ولأن الشبكة العصبية هي الجزء البطيء، فإن تخطي الأسئلة حيث تكون الإجابة "لا شيء مميز" يوفر قدراً هائلاً من الوقت.

فريق "الدماغين"

يسلط البحث الضوء على رؤية حاسمة: الطريقة التي تتعامل بها الحواسيب مع "المشي" (العبور) و"الرياضيات" (الاستدلال العصبي) مختلفة تماماً. المشي يشبه شخصاً واحداً يتحقق من خريطة خطوة بخطوة، بينما القيام بعمليات حسابية معقدة يشبه جوقة تغني في تناغم تام. إذا حاولت جعل الجوقة تغني نوتة واحدة في كل مرة، فسيكون ذلك غير فعال.

بنى المؤلفون خط إنتاج من أربع مراحل يعمل كأن مصنع منظم جيداً:

1. تهيئة الشعاع (Ray Initialization): يقوم المصنع بإعداد المستكشفين (الأشعة) لكاميرا التصوير.
2. العبور (نوى تتبع الأشعة - RT Cores): خبراء "المشي" (نوى تتبع الأشعة) يأخذون المستكشفين ويجعلونهم يقفزون عبر الفضاء الافتراضي. هم يجدون أماكن الهبوط لكنهم لا يسألون أمين المكتبة بعد؛ هم فقط يدونون العناوين.
3. التقييم (نوى التنسور - Tensor Cores): خبراء "الرياضيات" (نوى التنسور) يأخذون قائمة ضخمة من العناوين دفعة واحدة ويسألون أمين المكتبة عن جميع الإجابات في آن واحد. هنا يحدث السحر؛ حيث يتم تغذية الشبكة العصبية بمجموعة من الأسئلة وتجيب عليها جميعاً في وقت واحد، مستخدمة كامل قوتها.
4. الإنهاء (Finalization): يتم جلب النتائج، ويقرر المستكشفون ما إذا كانوا سيتوقفون أم سيقفزون مجدداً.

هذا النهج "الموجي" (wavefront) يضمن أن عقل الكمبيوتر ليس خاملاً أبداً. فبينما تقوم مجموعة واحدة بالمشي، تقوم المجموعة الأخرى بالرياضيات. يظهر البحث أن هذه الطريقة أسرع بنحو 125 مرة من النهج الساذج الذي يحاول القيام بكل شيء واحداً تلو الآخر، وأسرع بأكثر من مرتين من استخدام الطرق القديمة التي لا تستخدم أجهزة تتبع الأشعة الخاصة.

التخطي الذكي: عدم طرح كل سؤال

حتى مع طريقة القفز والتحقق، لا يزال سؤال أمين المكتبة مكلفاً. أضاف المؤلفون ميزتين "للتخطي الذكي" لجعل الأمر أسرع:

1. تخطي "المنطقة المملة" (تقليم الاستعلام بناءً على التجانس):
   تخيل أن المستكشف هبط في غرفة تبدو بيضاء وفارغة تماماً. إذا كانت الغرفة معروفة بأنها متجانسة (كلها نفس اللون)، فلماذا تسأل أمين المكتبة؟ يتحقق النظام مما إذا كانت المنطقة "مملة" (متجانسة). إذا كانت كذلك، فإنه يكتفي بتخمين متوسط اللون ويستمر في الحركة. هذا يوفر سؤالاً. ومع ذلك، يشير البحث إلى أنه إذا كنت تخمن بشكل مبالغ فيه، فقد تفقد بعض التفاصيل الصغيرة، لذا يستخدمون "تلاشياً عشوائياً" (stochastic falloff) ليكونوا حذرين بالقرب من حواف هذه المناطق المملة.

2. تخطي "ما يتغير فقط" (ميزانية الأشعة التكيفية):
   تخيل أنك تشاهد فيديو. إذا كانت الخلفية عبارة عن جدار ثابت، فلا داع l لتعديل رسمها كل ثانية. أنت تحتاج فقط لإعادة رسم الأجزاء حيث يطير طائر. ينظر النظام إلى الإطار السابق ويسأل: "هل تغير هذا البكسل؟"

• إذا كان البكسل مستقراً (الجدار)، فإنه يتخطى رسمه ويستخدم اللون القديم.
• إذا كان البكسل يتغير (الطائر)، فإنه ينفق "ميزانيته" لرسمه مجدداً.
  لقد اختبروا ثلاث طرق لتحديد ما يجب رسمه: إحداها تنظر إلى مقدار تغير اللون (Residual-Histogram)، وأخرى تستخدم نمطاً عشوائياً جميلاً (STBN)، وثالثة تمزج بينهما. ووجدوا أن دمج النمط العشوائي مع "كشف التغيير" أعطى أفضل النتائج، مما حافظ على سلاسة وطبيعية الصورة حتى عند تخطي العديد من البكسلات.

النتائج: علم سلس في الوقت الفعلي

اختبر الفريق نظامهم على ست مجموعات بيانات مختلفة، بما في ذلك صور الأشعة السينية لأجسام مشوهة ومحاكاة لتدفق السوائل. لقد قاموا بتشغيل كل شيء على وحدة معالجة رسوميات NVIDIA RTX 4090 بدقة 1024².

• السرعة: يحقق النظام 30 إلى 40 إطاراً في الثانية (FPS) للتصوير القياسي وحوالي 30 إطاراً في الثانية حتى عند إضافة ظلال معقدة. هذا سريع بما يكفي لتجربة تفاعلية سلسة.
• الاستجابة: عندما يغير المستخدم الوقت (الـ "t" في الوصفة)، يتحدث النظام في غضون 1 إلى 2 مللي ثانية تقريباً. هذا يعني أنه يمكنك سحب شريط تمرير ورؤية الجسم يتشوه فوراً، دون انتظار.
• الذاكرة: النظام فعال بشكل مدهش. الشبكة العصبية نفسها صغيرة جداً (فقط 1-2 ميجابايت)، وحتى مع كل الهياكل الإضافية المطلوبة للتصوير، تظل إجمالي استخدام الذاكرة حوالي 600 ميجابايت، وهو أقل بكثير من أنظمة التصوير العلمي التقليدية.

ينفي البحث صراحة فكرة أنك بحاجة لإعادة تدريب الشبكة العصبية أو تحويل البيانات إلى شبكة من الـ voxels (بكسلات ثلاثية الأبعاد صغيرة) لجعلها قابلة للتصوير. لقد أظهروا أنه يمكنك تصوير الشبكة العصبية مباشرة كما تم تدريبها. كما جادلوا بأن "التخزين المؤقت" (caching) — أي حفظ الإجابات لاستخدامها لاحقاً — يعمل للصور الثابتة، لكنه ينهار بالنسبة للبيانات المتغيرة زمنياً لأن الإجابات تصبح خاطئة بمجرد تحرك الوقت للأمام. يتجنب نهجهم هذا من خلال حساب الإجابات فوراً، ولكن بكفاءة.

لماذا هذا مهم؟

بالنسبة للعلماء الذين يدرسون أشياء مثل كيفية نبض القلب، أو كيفية دوران عاصفة، أو كيفية تشوه المواد تحت الضغط، فإن القدرة على رؤية البيانات في الوقت الفعلي هي تغيير لقواعد اللعبة. قبل هذا، ربما كان عليهم الانتظار لدقائق للحصول على إطار واحد أو القبول برؤية منخفضة الجودة. الآن، يمكنهم التفاعل مع البيانات، وتدويرها، ومشاهدة تطورها بشكل مستمر. يشير المؤلفون إلى أن هذا الإطار يفتح الباب لاستخدام هذه التمثيلات العصبية المدمجة في التصوير العلمي التفاعلي، مما يسمح للباحثين باستكشاف "الوقت المستمر" لبياناتهم دون الغرق في العمليات الحسابية الثقيلة المطلوبة لرؤيتها.

يخلص البحث إلى أنه رغم وجود بعض القيود — مثل الحاجة إلى إعداد دقيق لعتبات "المنطقة المملة" أو حقيقة أن النظام يعتمد حالياً على أجهزة NVIDIA محددة — إلا أن النهج نجح في سد الفجوة بين مدمجات التمثيل العصبي والحاجة إلى تصوير عالي الجودة وتفاعلي. لقد أثبتوا أنك لست بحاجة للتضحية بالطبيعة "العصبية" للبيانات لجعلها سريعة؛ أنت فقط بحاجة لطرح الأسئلة الصحيحة، بالترتيب الصحيح، وتخطي الأسئلة التي لا تحتاجها.