تخيل أنك تحاول إنشاء فيديو حركة بطيئة وسلسة من مقطع فيديو قياسي. للقيام بذلك، تحتاج أجهزة الكمبيوتر إلى ابتكار إطارات جديدة تمامًا تتناسب تمامًا بين الإطارات التي تملكها بالفعل. هذا يشبه محاولة ساحر لتخمين كيف بدا الراقص بالضبط في الجزء من الثانية بين صورتين فوتوغرافيتين. الجزء الأصعب في هذا السحر هو معرفة كيف تحرك كل بكسل (pixel) من الصورة الأولى إلى الثانية. عادةً ما يحاول الكمبيوتر العثور على "أفضل تخمين" واحد فقط لمكان ذهاب البكسل. ولكن في بعض الأحيان، يكون العالم مربكًا. إذا كان لديك طاحونة هواء تدور بشفرات متطابقة، أو كومة من ندف الثلج المتطابقة المتساقطة، أو قبضة تتحرك بسرعة وتترك أثرًا ضبابيًا، فإن الكمبيوتر يعلق. فهو يرى بكسلًا في الإطار الأول ويسأل: "هل انتقلت إلى هذا المكان، أم ذلك المكان، أم ذاك؟". في هذه المواقف الصعبة، لا توجد إجابة واحدة صحيحة فحسب؛ بل هناك عدة إجابات معقولة بالتساوي. وإذا أُجبر الكمبيوتر على اختيار تخمين واحد فقط على الفور، فإنه غالبًا ما يختار التخمين الخاطئ أو حلًا وسطًا فوضويًا، مما يؤدي إلى إطار جديد يبدو شبحيًا أو ضبابيًا أو مشوهًا.

تعالج هذه الورقة البحثية هذا الصداع تحديدًا في مجال استكمال إطارات الفيديو (VFI). يقترح المؤلفون طريقة جديدة ذكية للتعامل مع هذه اللحظات المربكة. فبدلاً من إجبار الكمبيوتر على تقديم تخمين واحد يائس على الفور، فإنهم يسمحون له بالاحتفاظ بقائمة قصيرة لأفضل ثلاثة تخمينات (أو فرضيات) لكل بكسل. فكر في الأمر كأنك محقق لا يعتقل أول مشتبه به يراه، بل يحتفظ بثلاثة مشتبه بهم في طابور العرض. ثم يستخدم الكمبيوتر "قاضي موثوقية" خاصًا ينظر إلى الأدلة — مثل مدى اتساق الحركة ومدى حدة الصورة — ويختار أفضل مشتبه به واحد ليكون الإجابة النهائية. ومن خلال الانتظار لاتخاذ القرار النهائي حتى يجمع المزيد من الأدلة، تتجنب هذه الطريقة الأخطاء الضبابية والشبحية التي تحدث عندما يُجبر الكمبيوتر على التخمين مبكرًا جدًا. والنتيجة هي فيديو أكثر وضوحًا وحدة، خاصة في تلك المشاهد الفوضوية حيث تدور الأشياء، أو تتكرر، أو تتحرك بسرعة كبيرة بحيث لا يمكن رؤيتها بوضوح.

المشكلة: عندما لا توجد "إجابة واحدة صحيحة"

تعمل معظم طرق استكمال الفيديو مثل معلم صارم يطالب بإجابة واحدة لكل سؤال. فهي تنظر إلى إطارين من الفيديو وتحاول حساب كيفية تحرك كل بكسل بدقة. في المشاهد البسيطة، يعمل هذا بشكل رائع. ولكن في العالم الحقيقي، تصبح الأمور فوضوية. تحدد الورقة ثلاث سيناريوهات محددة يفشل فيها قانون "الإجابة الواحدة" هذا:

1. الأنسجة المتكررة: تخيل حقلًا من الزهور المتطابقة أو كومة من الثلج. إذا نظرت إلى ندفة ثلج واحدة في الإطار الأول، فهي تبدو تمامًا مثل جيرانها. عندما يحاول الكمبيوتر مطابقتها بالإطار التالي، فإنه يرى عشرات من ندف الثلج المتشابهة تمامًا. لا يمكنه التمييز أي منها هو المطابق "الحقيقي".
2. الدورات المتماثلة: فكر في طاحونة هواء أو مروحة مروحية. إذا كانت الشفرات كلها متشابهة، فإن الشفرة في الإطار الأول يمكن أن تدور لتطابق أيًا من الشفرات الأخرى في الإطار التالي. هناك إجابات متعددة صحيحة، وليس إجابة واحدة فقط.
3. الحركة السريعة مع الضبابية: عندما يتحرك شيء بسرعة فائقة، مثل لكمة في فيلم فنون قتالية، فإنه يترك ضبابية. يرى الكمبيوتر لطخة من البكسلات ولا يستطيع تحديد مكان بداية الشيء أو نهايته بدقة.

في كل هذه الحالات، لا تعطي "الحقيقة الأرضية" (إطار الفيديو الفعلي الذي يجب أن يظهر في المنتصف) للكمبيوتر دليلًا فريدًا. قد يتمكن الكمبيوتر من دمج البكسلات الخاطئة معًا لإنتاج صورة تبدو "جيدة" بالنسبة للآلة، لكنها ستبدو غريبة بالنسبة للبشر. تجبر الطرق التقليدية الكمبيوتر على اختيار مسار واحد فورًا. وإذا اختار المسار الخاطئ، أو حاول دمج مسارين مختلفين معًا، فإن النتيجة تكون "الظلال" (رؤية صور مزدوجة) أو "التشويه الهيكلي" (تبدو الأشياء وكأنها ذائبة أو مكسورة).

الحل: قائمة "Top-K" القصيرة

يقترح مؤلفو هذه الورقة، زيبو سو وزملاؤه، نهجًا مختلفًا. فبدلاً من مطالبة الكمبيوتر بالالتزام بإجابة واحدة فورًا، فإنهم يسمحون له بالاحتفاظ بقائمة Top-K من المرشحين الأفضل. وفي تجاربهم، وجدوا أن الاحتفاظ بـ 3 مرشحين (K=3) كان الأفضل عمليًا.

إليك كيف يعمل نظامهم، المسمى تقدير تدفق الفرضيات المتعددة (MHFE)، خطوة بخوة:

1. البحث التقريبي: أولاً، ينظر الكمبيوتر إلى الصورة بأكملها ويجد أفضل 3 أماكن من المرجح أن يكون البكسل قد انتقل إليها. تُسمى هذه الأماكن "المراسي" (anchors).
2. التحسين المحلي: بدلاً من مجرد التخمين، يقوم الكمبيوتر بتكبير كل من تلك المراسي الثلاثة. يستخدم أداة "انتباه محلي" خاصة للنظر بدقة في المنطقة المحيطة بكل مرساة. يساعد هذا في تحسين التخمين، وإضافة تفاصيل دقيقة لجعل مسار الحركة أكثر دقة.
3. قاضي الموثوقية: الآن يمتلك الكمبيوتر 3 خيارات محسنة لكل بكسل. هو لا يختار الأول فحسب. بل يستخدم "موجهًا موجهًا بالموثوقية" (reliability-guided router). وهو نظام ذكي يتحقق من الأدلة مثل:
   • الاتساق: إذا تحرك البكسل للأمام ثم عاد للخلف، فهل انتهى به الأمر إلى حيث بدأ؟
   • التركيز: هل المطابقة حادة وواضحة، أم أنها ضبابية؟
   • الثقة: ما مدى تأكد البحث الأولي؟
4. الخيار النهائي: بناءً على هذه الأدلة، يختار الموجه الخيار الأكثر موثوقية واحدًا لذلك البكسل المحدد. والأهم من ذلك، أنه يختار واحدًا ويتخلص من الآخرين. إنه لا يدمجهم معًا.

لماذا "اختيار واحد" أفضل من "خلطهم"

من النتائج الرئيسية في الورقة أن خلط التخمينات المختلفة هو أمر سيء في الواقع. حاولت بعض الطرق القديمة متوسط جميع الحركات الممكنة معًا لتكون "آمنة". يوضح المؤلفون أن هذا المتوسط يخلق "تنبؤًا متواضعًا". إنه يشبه محاولة دمج سيارة حمراء وسيارة زرقاء معًا؛ فأنت لا تحصل على سيارة أرجوانية تبدو حقيقية، بل تحصل على فوضى طينية ضبابية.

من خلال استخدام استراتيجية "التوجيه الصلب" (اختيار فائز واحد)، يضمن الكمبيوتر أن الصورة النهائية مبنية من قصة واحدة متسقة. إذا كان الكمبيوتر غير متأكد، فإنه ينتظر حتى يجمع أدلة كافية لاختيار أفضل قصة واحدة، بدلاً من سرد قصة مربكة تمزج بين حبكتين مختلفتين.

الاختبار الجديد: MA-HD

لإثبات نجاح فكرتهم، لم يستطع الباحثون استخدام الاختبارات القياسية فقط لأن تلك الاختبارات لم تكن تحتوي على ما يكفي من هذه المشاهد "المبهمة" الصعبة. لذا، قاموا ببناء معيار جديد يسمى MA-HD (الوضوح العالي لغموض المطابقة).

يتضمن هذا الاختبار الجديد 1,000 مقطع فيديو تم اختيارها خصيصًا لعوامل الارتباك فيها:

• الأنسجة الديناميكية: ألسنة اللهب، أمواج الماء، الثلج، والمطر.
• الدوران: طواحين الهواء ومراوح الطائرات.
  _ الحركة السريعة: لكمات الفنون القتالية والسيارات المنحرفة.

لقد اختبروا طريقتهم مقابل أفضل أدوات الفيديو الموجودة (مثل EMA-VFI و SGM-VFI وغيرها) في هذه المشاهد الصعبة.

النتائج: أكثر حدة، أنظف، وأقل شبحية

كانت النتائج مثيرة للإعجاب، خاصة في الفئات الصعبة:

• الجودة الإدراكية: استخدم المؤلفون مقاييس تسمى LPIPS و DISTS، والتي تقيس مدى اعتقاد الكمبيوتر بأن الصورة تشبه ما يراه الإنسان. في اختبار MA-HD الجديد الخاص بهم، سجلت طريقتهم 11.14 لـ LPIPS و 7.19 لـ DISTS. وهذا أفضل بكثير من ثاني أفضل طريقة (PerVFI)، التي سجلت 13.69 و 7.60 على التوالي. وباللغة البسيطة، كانت فيديوهاتهم تبدو أكثر طبيعية وأقل ضبابية للعين البشرية.
• التعامل مع الغموض: في المقارنات البصرية، أنتجت الطرق القديمة "أشباحًا" (صور مزدوجة باهتة) و"تمزقًا" (أجزاء من الصورة تبدو ممزقة) حول الشفرات الدوارة واللكمات السريعة. حافظت الطريقة الجديدة على حدة الشفرات وتماسك اللكمات.
• الكفاءة: الطريقة سريعة بشكل معقول أيضًا. فهي تعمل بسرعة تقارب 0.78 إطار في الثانية (FPS) في اختبار MA-HD، وهو ما يضاهي طرقًا أخرى عالية الجودة، وإن لم تكن الأسرع على الإطلاق. وهي تستخدم حوالي 6.91 جيجابايت من الذاكرة، وهو أقل بكثير من بعض الطرق الثقيلة الأخرى التي تتطلب أكثر من 30 جيجابايت.

ما الذي تستبعده الورقة

المؤلفون واضحون جدًا بشأن ما لا يعمل:

• الدمج الناعم (Soft Fusion): هم يجادلون صراحة ضد متوسط مسارات الحركة المختلفة. أظهرت اختباراتهم أنه عندما حاولوا دمج المرشحين (الخيار B في دراستهم)، انهانت جودة الصورة، مما خلق ظلالًا كثيفة وتفاصيل باهتة، حتى لو كانت الأرقام بكسل ببكسل تبدو جيدة.
• التوجيه القائم على الثقة فقط: اختبروا أيضًا نسخة حيث يختار الكمبيوتر المرشح صاحب أعلى درجة ثقة أولية، دون استخدام "قاضي الموثوقية" المتعلم. كان أداؤها أسوأ من نظامهم الكامل، مما أثبت أن القاضي الذكي ضروري لتصفية التخمينات السيئة.

الخاتمة

تشير الورقة إلى أنه عندما يكون العالم غامضًا — أي عندما تكون هناك طرق متعددة يمكن أن يتحرك بها البكسل — فإن أفضل استراتيجية ليست التخمين العشوائي أو خلط جميع التخمينات معًا. بدلاً من ذلك، يجب على الكمبيوتر الاحتفاظ بقائمة قصيرة لأفضل الاحتمالات، وتحسينها بعناية فائقة، ثم استخدام نظام ذكي ومتعلم لاختيار القصة الأكثر موثوقية واحدة. هذه الطريقة، كما أظهروا، تؤدي إلى فيديوهات حركة بطيئة أكثر نظافة وحدّة وواقعية، خاصة في المشاهد الفوضوية والسريعة أو المتكررة التي عادة ما تكسر أدوات الفيديو الأخرى.