PADFormer: Pose-agnostic Anomaly Detection from Sparse View Images
يُعد PADFormer نهجاً جديداً وفعالاً في حيز الصورة للكشف عن الشذوذ غير المرتبط بالوضعية، حيث يستخدم محول رؤية (Vision Transformer) لإعادة بناء الصور الخالية من الشذوذ من مشاهد متفرقة عبر إعادة البناء المقنع عبر الرؤى والاستدلال التجميعي، محققاً أداءً رائداً دون الحاجة إلى إعادة بناء ثلاثية الأبعاد مكلفة حاسوبياً.
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 مفتش جودة في مصنع، ولكن بدلاً من الوقوف في محطة ثابتة، أنت تطفو حول منحوتة ضخمة دوارة مكونة من آلاف الأجزاء الصغيرة. مهمتك هي رصد خدش واحد أو مسمار مفقود. المشكلة؟ المنحوتة تدور، وأحياناً تكون مقلوبة، أو جانبية، أو تخفي أجزاءً من نفسها خلف قطع أخرى. في عالم الرؤية الحاسوبية، هذا هو تحدي كشف الشذوذ (Anomaly Detection): تعليم الكمبيوتر كيفية العثور على العيوب باستخدام صور "الأشياء المثالية" فقط. عادةً ما تكون الحواسيب مثل الروبوتات الجامدة؛ فهي تتوقع أن يكون الشيء في نفس الوضعية تماماً في كل مرة. إذا عرضت عليها كوباً مثالياً من الأمام، يمكنها رصد صدع في مقدمته. ولكن إذا عرضت عليها كوباً به صدع في الجانب، تم التقاطه من زاوية غريبة، فسيصاب الروبوت بالارتباك لأنه لم يسبق له رؤية كوب من تلك الزاوية من قبل. وهنا يأتي دور كشف الشذوذ المستقل عن الوضعية (Pose-Agnostic Anomaly Detection) — وهي طريقة معقدة لقول: "هل يمكن للكمبيوتر العثور على الجزء المكسور بغض النظر عن كيفية التواء أو دوران الشيء؟"
لفترة طويلة، كانت الطريقة الوحيدة لحل ذلك هي بناء نموذج هولوغرام ثلاثي الأبعاد كامل للجسم. تخيل أخذ مئات الصور للعبة من كل زاوية ممكنة، وتغذية حاسوب خارق بها لبناء نموذج ثلاثي الأبعاد افتراضي، ثم تدوير هذا النموذج لمطابقته مع الصورة الجديدة لمعرفة الخطأ. هذا يعمل، لكنه يشبه محاولة بناء منزل من قلاع رملية لمجرد العثور على حصاة؛ الأمر يستغرق وقتاً طويلاً، ويحتاج إلى جبل من البيانات، وهو مكلف للغاية. تساءل الباحثون وراء هذه الورقة البحثية سؤالاً أبسط: ماذا لو لم نكن بحاجة إلى نموذج ثلاثي الأبعاد على الإطلاق؟ ماذا لو استطعنا فقط "تخيل" كيف يبدو الشيء المثالي من هذه الزاوية الغريبة، مباشرة في الصورة ثنائية الأبعاد؟
هنا يظهر PADFormer، وهو أسلوب جديد يعمل مثل مرمم فني فائق القدرة. بدلاً من بناء نموذج ثلاثي الأبعاد، ينظر PADFormer إلى بضع صور لشيء مثالي (مثلاً من 2 إلى 10 صور) وصورة جديدة للشيء الذي قد يكون مكسوراً. ثم يستخدم نوعاً خاصاً من الذكاء الاصطناعي يسمى محول الرؤية (Vision Transformer) (فكر فيه كدماغ ينظر إلى الصورة كقطع أحجية صغيرة) للعب لعبة "ملء الفراغات". يقوم الكمبيوتر بأخذ الصورة الجديدة، ويغطي أجزاء عشوائية منها (مثل وضع ملصقات فوق أجزاء من رسم)، ويحاول إعادة رسم تلك الأجزاء المفقودة باستخدام الصور "المثالية" التي رآها فقط. ولأنه تدرب فقط على الأشياء المثالية، فهو لا يعرف كيف يرسم الجزء المكسور. لذا، عندما يحاول ملء مكان الملصق، فإنه يرسم النسخة "المثالية" لذلك الموضع. إذا كانت الصورة الأصلية تحتوي على خدش أو قطعة مفقودة، فإن رسم الكمبيوتر سيبدو مختلفاً عن الصورة الحقيقية. ومن خلال المقارنة بينهما، يكتشف الكمبيوتر العيب فوراً، حتى لو كان الشيء ملتويًا بطريقة لم يسبق له رؤيتها.
تثبت الورقة البحثية أن هذا النهج يعد تغييراً جذرياً في الكفاءة. فبينما تطلبت الأساليب القديمة مئات الصور وإعادة بناء ثلاثي الأبعاد معقد لكي تعمل، يحقق PADFormer نتائج هي الأفضل في مجاله باستخدام حفنة قليلة من الصور المرجعية (كما قليلة كـ 2). وفي الاختبارات على مجموعات بيانات مثل MAD-SIM وPIAD، تفوق PADFormer بشكل كبير على الأساليب السابقة. على سبيل المثال، في سيناريو "اللقطات الثنائية" (باستخدام صورتين مرجعيتين فقط)، حقق درجة دقة على مستوى الصورة بلغت 78.8، مقارنة بـ 57.9 لأفضل طريقة تالية. كما تمكن من تحديد العيوب على مستوى البكسل بدرجة 89.2، متفوقاً على المنافسين بفارق كبير. ويظهر المؤلفون أن هذا يعمل ليس فقط مع الزوايا الغريبة، بل أيضاً مع المهام القياسية حيث يكون الشيء في وضع ثابت، مما يثبت أن طريقتهم متعددة الاستخدامات.
السر يكمن في كيفية تعامل PADFormer مع "قطع الأحجية". فهو لا ينظر فقط إلى الصورة بأكملها؛ بل يستخدم آلية اختيار القطع الديناميكي (Dynamic Patch Selection). تخيل أنك تحاول إصلاح خريطة ممزقة. بدلاً من النظر إلى الخريطة بأكملها، تجد الزاوية المحددة المطابقة من خريطة أخرى تناسب التمزق تماماً، حتى لو كانت تلك الخريطة مدورة. يقوم PADFormer بذلك رياضياً، حيث يقوم بمحاذاة قطع المرجع "المثالية" مع قطع الاستعلام "المكسورة" قبل محاولة ملئها. كما يستخدم "بنك ذاكرة" من رموز تجاهل الشذوذ (Anomaly-Agnostic Tokens) — وهي تلميحات صغيرة متعلمة حول ما يبدو عليه "الطبيعي" عالمياً ومحلياً — لمساعدته في تخمين الشكل الصحيح حتى عندما يكون الشيء مقلوباً.
من المهم أن الورقة تستبعد الحاجة إلى إعادة البناء ثلاثي الأبعاد تماماً. يجادل المؤلفون بأن العمل الشاق لبناء النماذج ثلاثية الأبعاد غير ضروري وغالباً ما يكون غير عملي في المصانع الواقعية حيث لا يمكنك التقاط مئات الصور لكل عنصر. كما أظهروا أنه بينما قد تعمل الأساليب الأخرى جيداً إذا كان الشيء في وضع مثالي، إلا أنها تفشل فشلاً ذريعاً عندما تتغير زاوية الرؤية. ومع ذلك، فقد صُمم PADFormer خصيصاً لهذا النوع من الفوضى. فهو لا يتكهن فحسب؛ بل يتعلم إعادة بناء النسخة "المثالية" من الصورة مباشرة في الفضاء ثنائي الأبعاد.
في تجاربهم، وجد الباحثون أن PADFormer ليس دقيقاً فحسب، بل هو سريع أيضاً. من خلال تشغيل عملية إعادة البناء عدة مرات (تحديداً 15 تمريرة مع أقنعة عشوائية مختلفة) ومتوسط النتائج، يضمن النظام تغطية كل بوصة من الصورة. كما اكتشفوا أن قياس الفرق بين الصورة الأصلية والمعاد بناؤها في مساحة لونية خاصة تسمى CIELAB (والتي تحاكي كيفية رؤية العين البشرية للألوان) كان أكثر فعالية من استخدام ألوان RGB القياسية. سمح لهم هذا برصد العيوب الدقيقة مثل البقع الصغيرة أو الزوائد التي فاتتها الطرق الأخرى.
تخلص الورقة إلى أن PADFormer يسد الفجوة بين الأساليب عالية التقنية ثلاثية الأبعاد ومعالجة الصور ثنائية الأبعاد البسيطة. ويشير إلى أننا لسنا بحاجة لبناء عالم افتراضي للعثور على لعبة مكسورة؛ نحتاج فقط إلى فنان ذكي بما يكفي ليعرف كيف يبدو شكل اللعبة المثالية من كل زاوية. وبينما تمتلك الطريقة بعض القيود — مثل حاجتها لمرات مرور متعددة للحصول على صورة كاملة، أو احتمال مواجهة صعوبة مع الشذوذ الكبير جداً — إلا أنها تمثل خطوة كبيرة للأمام. إنها تثبت أنه مع وجود "الخيال" المناسب، يمكن للكمبيوترات رصد الأشياء الغريبة والمكسورة، بغض النظر عن كيفية دوران العالم من حولها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.