Loop-Mamba: A Loop Mamba with Degradation-Aware and Shared Memory for Old Photo Restoration

تخيل أنك عالم آثار، ولكن بدلاً من التنقيب عن كسر الفخار، أنت تنبش في علية مغبرة بحثاً عن صور زفاف أجدادك. هذه الصور هي كنوز، تحمل ذكريات وجوه وأماكن رحلت منذ زمن بعيد. لكن الزمن محرر قاسٍ؛ فقد خدش السطح، وبهت الألوان، وشقق الطبقة المستحلبة، وخلّف ثقوباً في أهم أجزاء الصورة. إن إصلاح هذه الصور لا يقتصر فقط على جعلها تبدو "جميلة" مجدداً؛ بل يتعلق بإعادة بناء قصة مكسورة دون اختراع فصول جديدة لم تحدث أبداً. هذا هو التحدي الذي يواجهه ترميم الصور القديمة.

لفترة طويلة، حاولت الحواسيب إصلاح هذه الصور من خلال النظر إلى الصورة بأكملها دفعة واحدة وتخمين الأجزاء المفقودة، تماماً مثل محاولة حل أحجية قطع كبيرة (jigsaw puzzle) عبر تخمين شكل كل قطعة في خطوة واحدة. لكن الصور القديمة فوضوية؛ فهي تحتوي على أنواع مختلفة من التلف في أماكن مختلفة. بعض الأجزاء ضبابية فحسب، بينما أجزاء أخرى ممزقة تماماً. ولإصلاح ذلك، بدأ العلماء في استخدام نماذج فضاء الحالة (State Space Models - SSMs). فكر في هذه النماذج كطريقة ذكية وفعالة للحاسوب لتذكر ما رآه حتى الآن أثناء تحركه عبر الصورة، بدلاً من محاولة حفظ الصورة بأكملة دفعة واحدة. الأمر يشبه قراءة كتاب صفحة تلو الأخرى، وتذكر الحبكة لفهم الصفحة التالية، بدلاً من محاولة ابتلاع الكتاب بأكمله في قضمة واحدة. تتعمق هذه الورقة البحثية في كيفية استخدامنا لأنظمة الذاكرة الذكية هذه لإصلاح ذكرياتنا الثمينة والمتضررة بعناية.

الورقة البحثية: Loop-Mamba

قام الباحثون وراء هذه الورقة، بقيادة رانسي باي وزملائه، ببناء أداة جديدة تسمى Loop-Mamba. لقد أدركوا أن الطريقة القديمة لإصلاح الصور — محاولة إعادة بناء الصورة بأكملها في قفزة واحدة كبيرة وفوضوية — لم تكن تعمل بشكل جيد بما يكفي للتعامل مع التلف المعقد ومتعدد الطبقات الموجود في الصور القديمة. وبدلاً من ذلك، قرروا معاملة الترميم كعملية حلقة تدريجية (progressive loop)، تشبه إلى حد ما نحاتاً ينحت من كتلة حجرية، حيث يشكل الشكل قليلاً في كل مرة حتى تظهر المنحوتة.

مشكلة الإصلاحات "من دفعة واحدة" (One-Shot)
حاولت معظم الطرق السابقة إصلاح الصورة في تمريرة واحدة. ويرى المؤلفون أن هذا يشبه محاولة إصلاح مزهرية مشققة عن طريق لصقها بالكامل دفعة واحدة دون التحقق من أماكن وجود الشقوق الأكثر عمقاً. تعاني الصور القديمة من "تدهورات غير متجانسة" (heterogeneous degradations)، وهي طريقة منمقة لقول إن التلف منتشر في كل مكان ويبدو مختلفاً في كل بقعة. فبعض المناطق مغبرة فحسب، بينما أجزاء أخرى ممزقة. إذا عاملت الصورة بأكملها بنفس الطريقة، فقد تبالغ في إصلاح الأجزاء النظيفة وتقصر في إصلاح الأجزاء المكسورة.

حل Loop-Mamba
يغير Loop-Mamba قواعد اللعبة بتحويل عملية الترميم إلى عملية تطور حالة (state evolution). تخيل فريقاً من المرممين يعملون على صورة في حلقة مستمرة. بدلاً من البدء من الصفر في كل مرة، يقومون بتمرير "حالة ترميم" (خريطة ذهنية لما يجب أن تبدو عليه الصورة) من جولة إلى أخرى.

إليك كيف جعلوا ذلك يعمل، باستخدام ثلاث حيل ذكية:

1. "محقق الضرر" (المقدر التدهوري الموجه دلالياً - Semantic-Guided Degradation Estimator): قبل أن يبدأ الفريق في الإصلاح، يحتاجون لمعرفة مكان المشكلة بالضبط. يستخدم Loop-Mamba وحدة خاصة تسمى SGDE لتعمل كمحقق. هي لا تخمن فحسب؛ بل تنشئ خريطة تفصيلية توضح مدى سوء الضرر في كل بكسل (ضرر موضعي) وتعطي درجة لمدى صعوبة إصلاح الصورة ككل (درجة عالمية). هذه الخريطة تخبر بقية النظام: "مهلاً، هذا الركن ممزق، لذا ركز طاقتك هناك"، مما يضمن أن الحاسوب يعرف تماماً أين يجب أن يكون حذراً.

2. "بنك الذاكرة المشترك" (ذاكرة الهيكل المشتركة - Shared Structural Memory Mamba): هذا هو قلب الحلقة. في العديد من الطرق القديمة، ينسى الحاسوب ما أصلحه في الخطوة السابقة ويحاول إعادة بنائه مجدداً، مما قد يؤدي إلى نتائج مربكة أو ضبابية. يستخدم Loop-Mamba ذاكرة هيكلية مشتركة (S2M). فكر في هذا كدفتر ملاحظات مشترك يمرره الفريق فيما بينهم. في كل مرة يجرون فيها تحسيناً طفيفاً، يدونونه في الدفتر. الجولة التالية من العمل لا تبدأ من الصفر؛ بل تلتقط الدفتر، وتقرأ ما تم إصلاحه بالفعل، وتبني عليه. هذا يضمن أن هيكل الصورة (مثل خطوط الوجه أو المبنى) يظل متسقاً ولا يضيع في العملية.

3. "المسح متعدد الاتجاهات": للتأكد من عدم تفويت أي تفاصيل، يقوم النظام بمسح الصورة في عدة اتجاهات في آن واحد. الأمر يشبه النظر إلى لوحة من اليسار واليمين والأعلى والأسفل في وقت واحد لالتقاط كل شق. يساعد هذا النظام على ربط النقاط عبر مسافات طويلة في الصورة، مما يضمن أن الخط الذي انقطع في المنتصف يتم وصله بشكل صحيح بنهاياته.

النتائج: أسرع، أذكى، وأكثر دقة
اختبر الفريق Loop-Mamba على معيار عام يسمى SynOld، والذي يحتوي على 700 زوج من الصور التالفة والنظيفة. كانت النتائج مبهرة. لم يكن Loop-Mamba يبدو جيداً فحسب، بل كان فعالاً للغاية.

• السرعة: عمل بسرعة 1.86 إطار في الثانية (FPS) على صور عالية الدقة (1080P)، وهو أسرع بكثير من العديد من الطرق المعقدة الأخرى.
• الكفاءة: استخدم فقط 119 G FLOPs (مقياس للعمل الحسابي) و 59 G MACs، وهو أقل بكثير من الطرق الثقيلة التي تتطلب غالباً حواسيب ضخمة للتشغيل.
• الجودة: حقق أعلى درجة بلغت 30.13 PSNR و 0.93 SSIM، متفوقاً على الطرق الرائدة السابقة.

لكن المؤلفين لم يتوقفوا عند المقاييس القياسية. لقد أدركوا أن الاختبارات القياسية لا تستوعب تماماً مدى نجاح إزالة "الضرر" فعلياً مقابل مدى كون الصورة "جميلة" فقط. لذا، ابتكروا درجة جديدة تسمى درجة استعادة ضرر الصور القديمة (ODRS). تقيس هذه الدرجة تحديداً مدى نجاح النظام في استعادة الأجزاء المتضررة ومدى أمانته في إعادة بناء الهيكل. سجل Loop-Mamba 0.9495 في هذا المقياس الجديد، مما أثبت أنه كان يصلح الضرر فعلياً، وليس مجرد الطلاء فوقه.

لماذا هذا مهم؟
تشير الورقة البحثية إلى أنه من خلال معاملة الترميم كحلقة مستمرة من تحديثات الحالة بدلاً من إعادة بناء واحدة ثقيلة، يمكننا إصلاح الصور القديمة بقدر أقل من قوة الحوسبة ودقة أفضل. وجدوا أن تشغيل الحلقة 3 مرات كان هو النقطة المثالية؛ فزيادة عدد المرات لم تساعد كثيراً بل أدت إلى إبطاء العملية.

كما أظهروا أن هذا النظام خفيف بما يكفي للعمل على هاتف ذكي (تحديداً Mi 10 Lite Zoom)، مما يعني أنه يمكنك تقنياً إصلاح صور عائلتك القديمة مباشرة من هاتفك دون الحاجة إلى حاسوب خارق. ويخلص المؤلفون إلى أن نهج "تطور الحالة التدريجي" هذا هو طريقة جديدة قوية للتعامل مع الواقع الفوضوي والمعقد للصور الفوتوغرافية القديمة، مما يوفر مساراً للحفاظ على تاريخنا المرئي بوضوح أكبر وجهد أقل.