تخيل أنك تحاول تنظيف غرفة فوضوية، لكن الفوضى ليست هي نفسها في كل مكان. في أحد الأركان، هناك كومة من الملابس المبللة والموحلة؛ وفي ركن آخر، نافذة محطمة؛ وفي ركن ثالث، طبقة من الغبار الكثيف. إذا كان لديك روبوت منظف يستخدم نفس نمط الكنس للغرفة بأكملها، فمن المرجح أنه سيتجاهل الطين، أو يحطم الزجاج، أو يكتفي بدفع الغبار حول الغرفة. هذا هو الصراع اليومي لـ "ترميم الصور" (image restoration)، وهو فرع من علوم الحاسوب مخصص لإصلاح الصور التي أفسدها المطر، أو الضباب، أو التغبيش، أو الظلام. لسنوات، كانت أذكى الأدوات لهذه المهمة تشبه ذلك الروبوت الجامد: فهي تقطع الصورة إلى مربعات صغيرة ثابتة الحجم (مثل شبكة من ملاحظات "Post-it") لتحليلها، ثم تحاول إصلاح كل مربع بشكل مستقل. ولكن عندما يقطع خط مطر مائل حدود مربعين متجاورين، يصاب الروبوت بالارتباك؛ فهو يحاول إصلاح الجزء العلوي من المطر في مربع واحد والجزء السفلي في مربع آخر، مما يترك غالباً فجوة مرئية وقبيحة حيث لا تتطابق القطعتان تماماً.

الورقة البحثية التي أنت على وشك قراءتها تعالج مشكلة "الدرز" (seam) هذه تحديداً. فهي تقدم طريقة جديدة للتفكير في كيفية رؤية الحواسيب للصور التالفة. بدلاً من إجبار الصورة على الانضواء تحت شبكة جامدة، يقترح المؤلفون نظاماً يسمح للشبكة نفسها بالانحناء والالتواء لتناسب الفوضى. فكر في الأمر كأنه ورقة مطاطية مرنة بدلاً من صندوق كرتوني صلب. إذا كان خط مطر يسير بشكل قطري، فإن الورقة المطاطية تتمدد وتنزاح لتتبع الخط تماماً، مما يضمن أن الحاسوب يرى المشكلة بأكملها دفعة واحدة. ومن خلال القيام بذلك، يمكن للحاسوب إصلاح الصورة دون ترك تلك الخطوط المربعة المزعجة خلفه. يطلق الباحثون على نظامهم الجديد اسم FIT، وهو اختصار لـ (Flexible Image Transformer - محول الصور المرن)، ويظهرون أنه من خلال جعل الصورة "تنحني" لتناسب الضرر، يمكنهم إنشاء صور أنظف وأكثر حدة من أي وقت مضى.

المشكلة: "الشبكة" التي لا تنحني

لفهم سبب أهمية هذه الطريقة الجديدة، يجب أن ننظر إلى كيفية عمل ذكاء اصطناعي إصلاح الصور الحالي. تستخدم معظم الأنظمة الحديثة تقنية تسمى "ترميز الرقع" (patch tokenization). تخيل أن لديك أحجية صور مقطوعة (jigsaw puzzle) ضخمة، ولكن بدلاً من الأشكال غير المنتظمة، كل قطعة فيها عبارة عن مربع مثالي. لإصلاح صورة مغبشة، يقطع الحاسوب الصورة إلى هذه المربعات الصغيرة، ويدرس كل منها، ثم يحاول إعادة بناء الصورة.

المشكلة، كما يشير المؤلفون، هي أن الأضرار في العالم الحقيقي لا تحترم هذه المربعات. فخطوط المطر، وتغبيش الحركة، والضباب غالباً ما تقطع مباشرة عبر حدود هذه المربعات الثابتة. عندما يحاول الحاسوب إصلاح مربع يحتوي على نصف خط مطر ونصف سماء صافية، فإنه يرتبك؛ حيث يخلط بين البكسلات "السيئة" والبكسلات "الجيدة". وعندما يعيد تجميع المربعات، يخلق عدم التطابق "أثر شبكة" (grid artifact) مرئياً، وهو عبارة عن خط أو درز باهت وغير طبيعي حيث تلتقي المربعات. الأمر يشبه محاولة رتق قميص ممزق بقطع من القماش المربعة التي لا تتماشى مع التمزق؛ سيبدو الإصلاح خشناً وواضحاً.

يجادل المؤلفون بأن المحاولات السابقة لإصلاح هذا الأمر كانت أشبه بتعليم الروبوت المنظف كيف يكون أذكى بعد أن قام بالفعل بتقسيم الغرفة إلى مربعات. كانوا يضخون معلومات عن نوع الضرر (مثل "هذا مطر") في عقل الحاسوب، لكن الحاسوب ظل عالقاً في رؤية العالم من خلال شبكة جامدة. كان الضرر قد اختلط بالفعل داخل المربعات قبل أن يبدأ الحاسوب حتى في التفكير في كيفية إصلاحه.

الحل: شبكة مرنة متغيرة الشكل

يقترح المؤلفون تغييراً جذرياً: لا تستخدم شبكة ثابتة على الإطلاق. بدلاً من ذلك، دع الشبكة تنحني.

لقد قدموا نظاماً يسمى FIT (Flexible Image Transformer). إليك كيف يعمل، خطوة بخطوة، باستخدام تشبيه بسيط:

1. "محقق الضرر" (Degradation Encoder): قبل أن يبدأ الحاسوب حتى في النظر إلى قطع الصورة، فإنه يرسل كشافاً سريعاً لاستطلاع الصورة بأكملها. هذا الكشاف لا يكتفي بالقول "إنها تمطر" فحسب؛ بل يرسم خريطة. إنه يرسم صورة شاملة للضرر (متجه عالمي - global vector) وخريطة تفصيلية توضح بالضبط أين يكون الضرر في أسوأ حالاته (خريطة مكانية - spatial map). الأمر يشبه رجل إطفاء ينظر إلى مبنى يحترق ويعرف على الفور أي الغرف هي الأكثر حرارة وأين ينتشر الحريق.

2. "الشبكة المنحنية" (Deformable Tokenization): هنا يأتي السحر. بدلاً من قطع الصورة إلى مربعات جامدة، يستخدم الحاسوب خريطة الضرر لتمطيط وإزاحة المربعات. إذا كان هناك خط مطر طويل، يقوم الحاسوب بتمطيط خطوط الشبكة لتتبع مسار المطر. وإذا كان جزء من الصورة مغبشاً جداً، تقوم الشبكة بالإزاحة لتجميع تلك البكسلات المغبشةة معاً.

   • التشبيه: تخيل أنك تقطع كعكة. إذا كانت الكعكة تحتوي على قطعة طويلة ونحيفة من الفراولة تمر عبرها، فإن السكين الصلب سيقطع الفراولة إلى نصفين، مما يفسد القطعة. ولكن إذا كان لديك سكين مرن يمكنه الانحناء ليتتبع منحنى الفراولة، يمكنك القطع حولها بشكل مثالي. يفعل FIT هذا تماماً؛ فهو يثني "خطوط القطع" للصورة بحيث يحتوي كل جزء (أو "رمز" - token) على جزء متماسك من الضرر، بدلاً من مزيج فوضوي من البكسلات النظيفة والمتسخة.

3. "المصلح الذكي" (Transformer): بمجرد قطع الصورة إلى هذه القطع المرنة الواعية بالضرر، يقوم الحاسوب بمعالجتها. ولأن القطع أصبحت الآن منظمة منطقياً (المطر في قطعة واحدة، والسماء الصافية في قطعة أخرى)، يمكن للحاسوب إصلاحها بدقة أكبر بكثير.

4. "الانحناء العكسي" (Unembedding): بعد أن يقوم الحاسوب بإصلاح القطع، يتعين عليه إعادة تجميعها. يستخدم نفس خريطة الانحناء لطي القطع وإعادتها إلى مواضعها الأصلية. ولأن القطع كانت متوافقة مع الضرر في المقام الأول، فإنها تتطابق مع بعضها البعض بشكل مثالي، مما لا يترك أي درزات مرئية.

خدعة "الإسقاط": تعلم التخمين

هناك خدعة ذكية أخرى يستخدمها المؤلفون تسمى Task-Token Dropout. عادةً، عندما تدرب ذكاءً اصطناعياً على إصلاح صورة، فأنت تخبره بالضبط ما الخطأ: "هذا مطر" أو "هذا تغبيش". ولكن في العالم الحقيقي، غالباً لا تعرف ما الخطأ؛ أنت فقط ترى صورة سيئة.

لجعل الذكاء الاصطناعي قوياً بما يكفي للتعامل مع هذا، يدرب المؤلفون النظام على تجاهل الملصق (Label) أحياناً. فهم يخبرون الذكاء الاصطناعي عشوائياً: "هذه صورة ممطرة"، ثم يسحبون هذا الملصق منه فوراً، مما يجبره على اكتشاف أن المطر موجود بمجرد النظر إلى الصورة. هذا يشبه تعليم طالب حل مسألة رياضية من خلال إعطائه مفتاح الحل أحياناً وسحبه منه أحياناً أخرى، مما يجبره على تعلم المنطق بدلاً من مجرد حفظ الإجابة. وهذا يضمن أنه عندما يواجه الذكاء الاصطناعي صورة تحتوي على مزيج من المطر والضباب (أو نوع من الضرر لم يره من قبل)، يمكنه الاستمرار في معرفة المشكلة وإصلاحها دون ارتباك.

النتائج: أكثر حدة، أنظف، وبدون درزات

اختبر المؤلفون نظام FIT الجديد على خمسة أنواع مختلفة من أضرار الصور: إزالة الضجيج (noise)، إزالة المطر، إزالة الضباب (haze)، إصلاح تغبيش الحركة (motion blur)، وتفتيح الصور المظلمة. وقارنوا بينه وبين أفضل الطرق الموجودة، بما في ذلك نظام قوي جداً يسمى JIT (Just Image Transformers).

كانت النتائج مبهرة. في اختبار قياسي لخمسة أنواع مختلفة من الأضرار، حقق FIT متوسط درجة 30.72 ديسيبل (وهو مقياس لمدى قرب الصورة المستعادة من الأصل). وقد تفوق هذا على أفضل الطرق السابقة بفارق كبير، محققاً تحسناً قدره 0.5 إلى 1.1 ديسيبل عن الأنظمة الرائدة الأخرى. في عالم ترميم الصور، حتى جزء ضئيل من الديسيبل يعد أمراً ضخماً؛ فالقفزة بمقدار 1 ديسيبل تعتبر غالباً طفرة هائلة في الجودة.

على وجه التحديد، تسلط الورقة الضوء على أن FIT بارع بشكل خاص في التعامل مع الأضرار "غير المتجانسة مكانياً" (spatially non-uniform)—حيث يختلف "الوسخ" في أجزاء مختلفة من الصورة.

• في المطر: أزال FIT خطوط المطر بشكل أكثر شمولاً مع الحفاظ على حدة أنسجة الخلفية.
• في الضباب: قام بتنقية المناطق الضبابية دون جعل الأجزاء الواضحة تبدو غريبة أو باهتة.
• في التغبيش: استعاد الحواف الحادة التي حولتها الطرق الأخرى إلى بقع ضبابية.

ولعل الدليل البصري الأكبر هو "درجة الشبكة" (Grid Score). لقد ابتكر المؤلفون طريقة لقياس تلك الدرزات القبيحة. كانت طرق الشبكة الثابتة القديمة تمتلك درجات شبكة عالية (أي الكثير من الدرزات)، خاصة عندما يكون الضرر شديداً. أما FIT فقد سجل درجة شبكة أقل بكثير، مما يعني أن الصور بدت ناعمة وطبيعية، دون خطوط مربعة مرئية.

لماذا يهم هذا؟

تشير الورقة البحثية إلى أن الطريقة التي نقطع بها الصورة (الترميز - tokenization) لا تقل أهمية عن "العقل" الذي يصلحها. لفترة طويلة، افترض الباحثون أن الشبكة يجب أن تكون ثابتة وجامدة. تثبت هذه الورقة خطأ هذا الافتراض. فمن خلال جعل الشبكة مرنة والسماح لها بالانحناء لتناسب شكل الضرر، يمكن للحاسوب رؤية المشكلة بوضقة أكبر وإصلاحها بفعالية أكبر.

لا يدعي المؤلفون أن هذا يحل كل مشاكل ترميم الصور، ويشيرون إلى أن النظام لا يزال بحاجة إلى الاختبار في سيناريوهات العالم الحقيقي غير المتوقعة. ومع ذلك، فهم يثبتون أن نهج "الانحناء" هذا هو أداة قوية جديدة. وهذا يشير إلى أنه في المستقبل، قد لا تكون أدوات تعديل الصور لدينا مجرد خوارزميات أذكى، بل ستكون أيضاً أكثر مرونة—أدوات يمكنها إعادة تشكيل رؤيتها للعالم لتناسب الفوضى التي نحاول تنظيفها.

باختصار، يعلمنا FIT أننا أحياناً، لكي نصلح صورة مكسورة، علينا أن نتوقف عن النظر إليها من خلال نافذة جامدة ونبدأ بالنظر من خلال عدسة مرنة. وعندما نفعل ذلك، تبدو الصورة أفضل بكثير.