UniCycleFlow: Bidirectional Unpaired Image Translation with a Shared Rectified Flow

تخيل أنك مترجم بارع، ولكن بدلاً من تحويل الكلمات بين الفرنسية والإنجليزية، أنت تترجم عوالم بأكملها. تريد تحويل صورة لمرج صيفي إلى منظر شتوي ثلجي، أو تحويل حمار وحشي إلى حصان، دون أن تكون قد رأيت قط أي صور "قبل وبعد" لترشدك. هذا هو الحدود البرية لـ الترجمة غير المقترنة للصور (unpaired image translation). في الماضي، عانت الحواسيب من هذا الأمر لأنها لم تكن تعرف أي زهرة صيفية محددة يجب أن تصبح أي ندفة ثلج شتوية محددة. كانت الحواسيب غالباً ما تخمن فقط، مما يؤدي إلى صور مشوشة أو صور تفقد شكلها الأصلي. ولإصلاح ذلك، علم العلماء الحواسيب عادةً لعب لعبة "الرحلة الذهاب والعودة": ترجم صورة صيفية إلى شتاء، ثم حاول ترجمتها مرة أخرى إلى الصيف. إذا بدت النتيجة النهائية مثل الأصل، فهذا يعني أن الحاسوب كان يقوم بعمل جيد. لكن هذه الطريقة كانت تشبه التحقق مما إذا كانت رحلة الحافلة ذهاباً وإياباً قد أعادتك إلى المحطة؛ فهي لم تضمن أن الحافلة سلكت مساراً سلساً ومنطقياً في المنتصف.

هنا يأتي دور UniCycleFlow، وهو نهج جديد يغير قواعد اللعبة عبر التعامل مع ترجمة الصور ليس كوظيفتين منفصلتين، بل كرحلة واحدة مستمرة. بدلاً من بناء مترجمين مختلفين (واحد من الصيف إلى الشتاء وآخر من الشتاء إلى الصيف)، يبني هذا النهج "حقل سرعة" واحداً — فكر فيه كخريطة رياح عالمية تهب في كلا الاتجاهين. إذا كنت تريد الانتقال من الصيف إلى الشتاء، فاترك الرياح تهب للأمام؛ وإذا أردت العودة، فما عليك سوى عكس اتجاه الرياح. الاكتشاف الرئيسي للورقة البحثية هو أنه من خلال إجبار كلا الاتجاهين على اتباع خريطة الرياح غير المرئية هذه، يتعلم الحاسوب الحفاظ على بنية الصورة الأصلية بشكل أفضل بكما سبق. وقد قاس المؤلفون ذلك من خلال اختبار عشر مهام ترجمة مختلفة (مثل تحويل القطط إلى كلاب والخرائط الجوية إلى مشاهد شوارع) ووجدوا أن طريقتهم أنتجت أوضح الصور وأكثرها واقعية مع أقل عدد من الأخطاء، محققة أعلى درجة قدرها 55.1 في اختبار جودة قياسي يسمى FID. كما أظهروا أنه حتى لو طلبت من الحاسوب اتخاذ خطوة واحدة ضخمة بدلاً من خطوات صغيرة عديدة، فإن النتيجة لا تزال ممتازة، مما يثبت أن المسار مستقيم وفعال للغاية.

المشكلة: فخ "الاقتران العشوائي"

تخيل أنك تحاول تعليم روبوت كيفية تحويل صورة حصان إلى حمار وحشي. لدى الروبوت صندوق من صور الخيول وصندوق من صور الحمر الوحشية، لكنها ليست متطابقة. إذا التقطت ببساطة حصاناً عشوائياً وحماراً وحشياً عشوائياً وقلت للروبوت: "حول هذا الحصان إلى ذلك الحمار الوحشي"، فسوف يرتبك الروبوت. قد يحاول تحويل أرجل الحصان إلى خطوط الحمار الوحشي، أو الأسوأ من ذلك، قد يحاول تحويل رأس الحصان إلى ذيل الحمار الوحشي لأن الحيوانين في وضعيات مختلفة. ينتهي الأمر بالروبوت بتعلم مزيج فوضوي من "كيفية تغيير حصان" و"كيفية تغيير وضعية معينة"، مما ينتج عنه مخلوق غريب ومشوه.

حاولت الأساليب السابقة إصلاح ذلك عن طريق بناء روبوتين منفصلين: واحد للذهاب من أ إلى ب، وآخر للذهاب من ب إلى أ. كانوا يتحققون مما إذا كان بإمكان الروبوت الذهاب من أ ← ب ← أ والعودة إلى الصورة الأصلية. ورغم أن هذا ساعد، إلا أنه كان يشبه التحقق مما إذا كان السائق يمكنه العودة إلى البداية؛ فهو لم يضمن أن السائق سلك نفس الطريق في كلا الاتجاهين. قد يسلك الروبوتان مسارات مختلفة تماماً ومتعرجة، لكنها تصادف أنها تبدأ وتنتهي في الأماكن الصحيحة.

الحل: ريح واحدة، اتجاهان

قرر مؤلفو هذه الورقة، UniCycleFlow، التوقف عن بناء روبوتين. بدلاً من ذلك، قاموا ببناء خريطة رياح واحدة ("حقل سرعة") توجد في مساحة مشتركة بين العالمين.

فكر في الزمن كمسطرة. في بداية المسطرة تماماً (الزمن 0)، لديك صورتك المصدر (مثل الحصان). وفي نهاية المسطرة تماماً (الزمن 1)، لديك الصورة المستهدفة (مثل الحمار الوحشي). "الرياح" تهب من الزمن 0 إلى الزمن 1.

• للذهاب من الحصان ← الحمار الوحشي، ما عليك سوى ترك الرياح تهب للأمام.
• للذهاب من الحمار الوحشي ← الحصان، ما عليك سوى عكس اتجاه الرياح والنفخ للخلف من الزمن 1 إلى الزمن 0.

ولأنها خريطة الرياح نفسها، فإن قواعد تحويل حصان إلى حمار وحشي هي بالضبط نفس قواعد تحويل حمار وحشي إلى حصان، ولكن بالعكس. هذا يجبر الحاسوب على تعلم مجموعة واحدة متسقة من القواعد للتحويل، بدلاً من مجموعتين منفصلتين ومتضاربتين.

الخدعة السحرية: تعلم الوجهة الصحيحة

هذا هو الجزء الصعب: بما أن الحاسوب ليس لديه أزواج متطابقة، فكيف يعرف أي حصان محدد يجب أن يتحول إلى أي حمار وحشي محدد؟ إذا خمن فقط، فسيقع في خطأ "الاقتران العشوائي" الذي تحدثنا عنه سابقاً.

يحل UniCycleFlow هذه المشكلة بخدعة ذكية تسمى مطابقة الحدود التنافسية (adversarial boundary matching). بدلاً من إجبار الحاسوب على مطابقة حصان معين بحمار وحشي معين من مجموعة البيانات، يتعلم الحاسوب إنشاء وجهته المثالية الخاصة.

1. ينظر الحاسوب إلى حصان ويقول: "سأقوم بإنشاء حمار وحشي يبدو تماماً مثل حمار وحشي حقيقي".
2. يقوم بإنشاء حمار وحشي مزيف.
3. ينظر "القاضي" (المميز/discriminator) إلى الحمار الوحشي المزيف والحمر الوحشية الحقيقية. إذا استطاع القاضي التمييز بينهما، يحاول الحاسوب مرة أخرى.
4. بمجرد أن يعجز القاضي عن التمييز بينهما، يكون الحاسوب قد وجد "المطابقة المثالية" لهذا الحصان المحدد، حتى لو لم يكن موجوداً في مجموعة البيانات الأصلية.

الآن، أصبح لدى الحاسوب مسار واضح: حصان ← حمار وحشي مزيف مثالي. إنه يرسم خطاً مستقيماً بينهما ويتعلم الرياح اللازمة للسفر عبر ذلك الخط. ولأن الوجهة تم إنشاؤها خصيصاً لهذا المصدر، فإن المسار يكون نظيفاً ومنطقياً، مما يتجنب ارتباك الاقترانات العشوائية.

الحفاظ على سلاسة الرحلة

معرفة نقاط البداية والنهاية فقط ليست كافية. يحتاج الحاسوب إلى التأكد من أن الرحلة في المنتصف سلسة ولا تشوه الصورة بشكل غريب. أضاف المؤلفون ثلاث شبكات أمان لضمان مثالية المسار:

1. مطابقة التدفق الذاتي (Self-Flow Matching): تخيل أن الحاسوب يمشي على طول المسار. إنه يتحقق من خطواته للتأكد من أن الرياح متسقة. إذا تغير اتجاه الرياح فجأة في منتصف الرحلة، يقوم الحاسوب بتصحيح نفسه. هذا يضمن أن المسار خط مستقيم، وليس فوضى متعرجة.
2. إغلاق الدورة (Cycle Closure): هذا هو فحص "الرحلة الذهاب والعودة"، ولكنه أكثر ذكاءً. يذهب الحاسوب من حصان ← حمار وحشي ← حصان ويتحقق مما إذا كان قد عاد بالضبط إلى حيث بدأ. إذا لم يلغِ الخطوتان بعضهما البعض تماماً، يتعلم الحاسوب إصلاح خريطة الرياح بحيث تغلق الدورة بإحكام.
3. تنظيم مسار التمثيل والسرعة (Representation Path-Velocity Regularization): هذا هو الفحص الأكثر دقة. أحياناً، قد تبدو الصورة جيدة، لكن "إحساس" الصورة يتغير كثيراً في المنتصف. على سبيل ملموس، قد يصبح ملمس الفراء ناعماً جداً قبل أن يزداد حدة مرة أخرى. يستخدم الحاسوب "عيناً" مجمدة (مشفر مدرب مسبقاً) للنظر إلى الصورة عند كل خطوة صغيرة من الرحلة. إنه يتأكد من أن الميزات (مثل ملمس الفراء أو شكل العين) تتغير ببطء وثبات، بدلاً من القفز بجنون.

النتائج: صورة أوضح

اختبر المؤلفون هذه الطريقة الجديدة في عشر مهام ترجمة مختلفة، بما في ذلك تحويل الصيف إلى شتاء، والخيول إلى حمر وحشية، والقطط إلى كلاب. وقارنوا نتائجهم بالعديد من الأساليب الشهيرة الأخرى.

كانت النتائج مبهرة. عندما سُمح للحاسوب باتخاذ خطوة واحدة فقط (استدلال الخطوة الواحدة) لترجمة الصورة، حقق UniCycleFlow أفضل درجة (أقل خطأ) في 7 من أصل 10 مهام. بلغ متوسط درجاته عبر المهام العشر 55.1، وهو أفضل من أفضل طريقة سابقة (DCLGAN) التي سجلت 62.6.

والأمر الأكثر إثارة للدهشة هو أن الطريقة عملت بشكل جيد تقريباً سواء اتخذ الحاسوب خطوة واحدة ضخمة أو خمس خطوات أصغر. وهذا يشير إلى أن المسار الذي تعلمه الحاسوب مستقيم ومباشر لدرجة أنه لا يحتاج لاتخاذ خطوات صغيرة وحذرة للوصول إلى هناك. يمكنه ببساطة القفز من المصدر إلى الهدف بثقة.

لماذا هذا مهم

يظهر UniCycleFlow أننا لسنا بحاجة لبناء أنظمة معقدة ومنفصلة لكل اتجاه من اتجاهات الترجمة. من خلال التعامل مع التحول كرحلة واحدة مستمرة تحكمها مجموعة واحدة من القواعد، يمكننا الحصول على نتائج أوضح وأكثر استقراراً. الأمر يشبه إدراك أنك للذهاب من المنزل إلى المدرسة والعودة، لا تحتاج إلى خريطتين مختلفتين؛ بل تحتاج فقط إلى خريطة واحدة جيدة والقدرة على السير فيها بشكل عكسي. هذا النهج لا يوفر قوة الحوسبة فحسب، بل يضمن أيضاً أن "قصة" الصورة تظل متسقة، بغض النظر عن الاتجاه الذي تسافر فيه.