🤖 AI

AlignFace: Human-Aligned Face Similarity Metric with Interpretable Concept Relations

تقدم الورقة البحثية AlignFace، وهو مقياس لتشابه الوجوه قابل للتفسير يستفيد من مبادئ علم النفس المعرفي ومجموعة بيانات FACETS المبتكرة للتغلب على قيود النماذج الحالية "الصندوق الأسود" عبر النمذجة الصريحة للتباينات الإدراكية البشرية والاستدلال القائم على السمات من أجل تقييم أكثر دقة وشفافية للمحتوى الوجهي.

المؤلفون الأصليون: Ying Huang, Wencan Zhang, Brian Y. Lim

نُشر 2026-08-17

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Ying Huang, Wencan Zhang, Brian Y. Lim

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 تحاول تعليم روبوت كيف يفهم ما الذي يجعل وجهين يبدوان "متشابهين". قد تعتقد أن هذا أمر سهل: فقط قم بقياس المسافة بين العينين أو درجة لون الشفاه. لكن الإدراك البشري شيء فوضوي وسحري. نحن لا نجمع الأجزاء فحسب كما في معادلة رياضية؛ بل نشعر بالصورة الكاملة. أحياناً، يبدو التغيير الطفيف في المسافة بين العينين ضخماً، بينما يبدو التغيير الكبير في لون الشعر ضئيلاً لا يُذكر. هذا هو عالم الرؤية الحاسوبية، حيث يبني العلماء آلات لـ "ترى" مثلنا. المشكلة الكبرى هي أن الروبوتات التي صنعناها حتى الآن سيئة جداً في تخمين ما يعتقده البشر حقاً. فهي تستخدم رياضيات باردة وجامدة تفتقر إلى اللمسة الإنسانية. إذا اعتقد الروبوت أن الوجهين مختلفان تماماً، بينما تراهما أنت توأمين، فإن الروبوت يكون قد فشل في أهم وظائفه: فهم البشر. هذا الأمر مهم لأننا نستخدم الذكاء الاصطناعي لتعديل الصور، وحماية الخصوصية، وإنشاء الفن الرقمي. فإذا كان "مقياس التشابه" لدى الروبوت معطلاً، فقد يكشف عن هوية شخص ما بالخطأ أو يفسد عملية وضع مكياج رقمي لأنه لا "يفهمنا".

هنا يأتي دور AlignFace، وهو نوع جديد من مقاييس التشابه صممه باحثون في جامعة سنغافورة الوطنية. بدلاً من معاملة الإدراك البشري كصندوق أسود غامض، قرر المؤلفون إلقاء نظرة داخل كتاب القواعد الخاص بالدماغ البشري. لقد بنوا نظاماً لا يكتفي بالتخمين فحسب، بل يستنتج كعالم نفس بشري. لقد وجدوا أن البشر يحكمون على الوجوه بناءً على شيئين رئيسيين: الميزات (مثل لون شفاهك أو شكل أنفك) والتكوينات (مثل المسافة بين عينيك أو عرض فكك). كما اكتشفوا أن أدمغتنا لا تتفاعل في خط مستقيم؛ فقد يبدو التغيير الطفيف في مكان ما ضخماً، بينما يبدو التغيير الكبير في مكان آخر صغيراً. بالإضافة إلى ذلك، لدينا انحياز "قبلي": فنحن أفضل في رصد الاختلافات لدى الأشخاص الذين يشبهوننا (مجموعتنا الخاصة) مقارنة بالأشخاص الذين يختلفون عنا.

إن AlignFace هو أول أداة تدمج كل هذه العيوب البشرية الفوضوية مباشرة في شفرتها البرمجية. لقد جمع الباحثون مجموعة بيانات ضخمة تسمى FACETS، حيث لعب آلاف الأشخاص لعبة: عُرض عليهم وجه مرجعي ونسختان معدلتان، وكان عليهم اختيار أيهما يبدو أكثر تشابهاً. فعلوا ذلك للوجه كاملاً ولـ 20 تفصيلاً محدداً، مثل "لون الشفاه" أو "المسافة بين حدقتي العين". وباستاستخدام هذه البيانات، بنوا نموذجاً يفكك الوجه إلى هذه المفاهيم المحددة، ويقيس الاختلافات، ثم يستخدم حاسبة "غير خطية" خاصة لمعرفة مدى أهمية تلك الاختلافات بالنسبة للإنسان. والنتيجة؟ يعد AlignFace أفضل بكثير في التنبؤ بما سيقوله البشر من أدوات الذكاء الاصطناعي الرائدة الحالية. فهو لا يكتفي بالقول إن "هذين الوجهين متشابهان بنسبة 80%"، بل يشرح لماذا، مشيراً إلى أن لون الشفاه كان متطابقاً ولكن عرض الفك كان غير دقيق. ومن خلال الاستماع إلى علم كيفية رؤيتنا للأمور، يمنح AlignFace أخيراً الذكاء الاصطناعي طريقة ليرى العالم من خلال العيون البشرية.

ملخص تقني: AlignFace: مقياس تشابه الوجوه المتوافق مع الإدراك البشري مع علاقات مفاهيمية قابلة للتفسير

بيان المشكلة

تعتمد النماذج الحالية للرؤية الحاسوبية للمحتوى الوجهي المُولد (مثل تعديل الوجوه، وحماية الخصوصية) على مقاييس التشابه التي غالبًا ما تفشل في أن تكون وكلاء أمناء للادراك البشري. وبينما تطور التقييم الإدراكي من الاستدلالات القائمة على الإشارة (مثل PSNR وSSIM) إلى المقاييس القائمة على التمثيلات (مثل LPIPS وDreamSim)، تظل النهج الحالية محدودة بالنمذجة السلوكية دون التوافق المعرفي. تعتمد هذه النماذج "الصندوق الأسود" على علاقات ضمنية وزائفة، وتفترض وجود مراقب عالمي، وتفشل في مراعاة الاختلافات المتأصلة عبر المجموعات البشرية المتنوعة. وبناءً على ذلك، فإنها تقدم نماذج تقييمية غير دقيقة لأصحاب المصلحة وتوجيهات مضللة لتصحيح أخطاء النماذج التوليدية، مثل التقليل من مخاطر الخصوصية أو تغيرات الهوية عندما يظل البشر قادرين على إدراك الوجوه كوجوه متشابهة.

يجادل المؤلفون بأن نماذج الإدراك يجب أن تلتزم بالآثار المعرفية العلمية لتحقيق توافق بشري حقيقي. وبشكل محدد، يتميز إدراك الوجوه البشري بـ:

المعالجة الثنائية: الاعتماد على كل من السمات الميزتية (المكونات المنفصلة مثل لون العين) والسمات التكوينية (التخطيط المكاني مثل المسافة بين حدقتي العين).
التحجيم غير الخطي: لا يتدرج إدراك البشر لاختلاف السمات بشكل خطي؛ بل يتبع قوانين نفسية فيزيائية غير خطية.
التباين الديموغرافي: وجود انحياز المجموعة الخاصة، حيث يتعرف الأفراد على الوجوه من مجموعاتهم الديموغرافية (العرق، الجنس) بدقة أكبر من المجموعات الأخرى.

المنهجية

1. مجموعة بيانات FACETS

لترسيخ النموذج في الإدراك البشري، قدم المؤلفون FACETS، وهي مجموعة بيانات واسعة النطاق مشروحة بشريًا.

المحفزات: تم إنشاؤها من مجموعتي بيانات CMU Multi-PIE وCelebA، وتضم 120 هوية (متوازنة بين الأعراق البيضاء والآسيوية). تم تعديل الصور باستخدام تقنيات Inpainting القائمة على الانتشار (diffusion-based inpainting)، والتشويه القائم على العلامات (landmark-based warping)، ونقل السمات القائم على GAN لإنشاء تنوعات في 20 سمة قائمة على أسس معرفية (14 سمة ميزتية، 6 سمات تكوينية).
جمع البيانات: باستخدام بروتوكول الاختيار القسري بين بديلين (2AFC)، قارن المشاركون بين الوجوه المعدلة ومرجع معين.
- التشابه العام: 9.36 ألف تقييم ثلاثي من 78 مشاركًا.
- تشابه السمات: 73.32 ألف تقييم ثلاثي لـ 20 سمة من 611 مشاركًا.
التحليل: أكد تحليل النموذج الجمعي المعمم (GAM) الأولي على هذه البيانات التأثير غير الخطي للسمات والاختلافات الجوهرية في الحساسية بين إدراك المجموعة الخاصة والمجموعات الأخرى.

2. بنية AlignFace

إن AlignFace هو نموذج قابل للتفسير مسبقًا (ante-hoc) مصمم لترميز هذه المبادئ المعرفية، ويتكون من أربع وحدات أساسية:

ترميز نموذج الرؤية واللغة (VLM):
- يستخدم مشفر رؤية مشترك لاستخراج التمثيلات لزوج من الوجوه ( $\hat{\mathbf{z}}_A, \hat{\mathbf{z}}_B$ ) ويحسب الفروق العلاقية ( $\hat{\mathbf{Z}}_\Delta$ ).
- يقوم مشفر نصي بمعالجة مطالبات السمات (مثل "المسافة بين الحدقتين") لإنشاء مرساة ( $\hat{\mathbf{Z}}_{attr}$ ) توجه المقارنة على طول أبعاد محددة.
الانتباه المتقاطع ذو البوابة الساترة للسمات (AGCA):
- يقوم بعملية دمج متعدد الوسائط حيث تعمل ميزات اختلاف الصورة كاستعلامات ( $Q$ ) وتعمل ميزات السمات النصية كمفاتيح ( $K$ ) وقيم ( $V$ ).
- يتحكم عامل بوابي قابل للتعلم ( $\tanh(\alpha)$ ) في حقن الإشارات المشروطة بالسمات، مما يؤدي فعليًا إلى استرجاع الميزات البصرية ذات الصلة بالسمة من تمثيل الاختلاف.
نموذج عنق الزجاجة المفاهيمي (CBM):
- يتم تقييد مخرجات الـ AGCA في مفاهيم ثنائية التسمية متعددة الملصقات قابلة للتفسير ( $\Delta\hat{\mathbf{c}}_{attr} \in [-1, +1]$ ).
- هذا يجبر النموذج على بناء استدلاله صراحةً بناءً على هذه السمات الوجهية المنفصلة بدلاً من الميزات الكامنة غير القابلة للتفسير.
النموذج الجمعي المعمم العصبي المعتمد على السمات (Neural GAM):
- يقوم برسم خرائط فروق السمات إلى درجة التشابه الإجمالية باستخدام Neural GAM: $F(\Delta\hat{\mathbf{c}}) = \sigma(\beta + \sum f_i(\Delta\hat{c}_i))$ .
- كل $f_i$ هي دالة Spline يتم تنفيذها عبر شبكة عصبية صغيرة، مما يلتقط التأثيرات الجزئية غير الخطية.
- يتم فرض قيد الرتابة ( $\frac{\partial f_i}{\partial \Delta\hat{c}_i} \geq 0$ ) لضمان أن اختلافات السمات الأعلى لا تؤدي أبدًا إلى تقليل المسافة الوجهية، مما يتوافق مع الاتساق الإدراكي.

3. هدف التدريب

يتم تدريب النموذج كـ AlignFace2AFC، وهو مقياس ثلاثي متعدد المهام. يتنبأ بالمسافات الزوجية لمقارنتين ( $\langle A, Ref \rangle$ و $\langle B, Ref \rangle$ ) ويقلل من خسارة Hinge المربعة بين فروق المسافة المتوقدة وبين الملصقات البشرية الثنائية (التي تشير إلى أي وجه هو الأكثر تشابهًا). يتم التدريب على مراحل: أولاً، يتم تدريب تنبؤات مستوى السمات وتجميدها؛ ثم يتم تدريب Neural GAM على خسارة المسافة الإجمالية.

المساهمات الرئيسية

التوصيف المعرفي: تحديد الخصائص المعرفية المحددة لإدراك تشابه الوجوه البشري، بما في ذلك الاعتماد الميزتي/التكويني، والتحجيم النفسي الفيزيائي غير الخطي، وانحياز المجموعة الخاصة الديموغرافي.
نموذج AlignFace: نموذج قابل للتفسير مسبقًا ومبني على أسس معرفية يدمج نماذج الرؤية واللغة (VLMs)، والانتباه المتقاطع ذو البوابة، وعناقيد المفاهيم، وNeural GAM لفرض التوافق البشري.
مقياس AlignFace2AFC: مقياس قابل للتفسير يحدد الإدراك عبر المساهمات غير الخطية للسمات المستندة إلى أسس ثابتة.
مجموعة بيانات FACETS: مجموعة بيانات جديدة من ثلاثيات الوجوه مع أحكام التشابه على مستويي الإجمالي والسمات عبر 20 سمة، بما في ذلك البيانات الديموغرافية الوصفية.

النتائج

الاتفاق السلوكي: يتفوق AlignFace بشكل كبير على النماذج المرجعية (بما في ذلك المقاييس الاستدلالية مثل SSIM، والمقاييس المتعلمة مثل LPIPS وDreamSim، والنماذج الخاصة بالوجه مثل ArcFace) في التوافق مع أحكام البشر (2AFC). ويحقق أعلى درجات الاتفاق في إدراك الوجه الإجمالي.
توافق السمات: يظهر النموذج اتفاقًا عاليًا في تنبؤات مستوى السمات (متوسط اتفاق قدره 0.79 مع خلفية FLIP)، خاصة للسمات مثل طول الشعر وشكل الحاجب.
القابلية للتفسير واللاخطية: تكشف مخططات الاعتماد الجزئي (PDPs) أن AlignFace يلتقط علاقات غير خطية للغاية بين فروق السمات والتشابه الإجمالي، محققًا ارتباطات بيرسون عالية ( $\rho \approx 0.94–0.98$ ) مع نماذج GAM البشرية. وهذا يؤكد الفرضية القائلة بأن تأثير السمات غير خطي.
الحساسية الديموغرافية: يلتقط النموذج بنجاح تأثيرات "المجموعة الخاصة"، حيث يظهر اتجاهات حساسية مختلفة للمشاركين البيض والآسيويين عند تقييم الوجوه من ديموغرافيتهم الخاصة مقابل الديموغرافيات الأخرى.

الأهمية

يزعم البحث أنه من خلال سد الفجوة بين التمثيلات المتعلمة والعمليات المعرفية البشرية، يتيح AlignFace مقاييس تقييم إدراكية أكثر شفافية وتوافقًا لصور الوجوه. بخلاف النهج السابقة القائمة على البيانات والتي تخاطر بإنشاء ارتباطات زائفة، فإن AlignFace مبرر نظريًا من خلال علم النفس المعرفي. فهو يوفر إطارًا لتقييم النماذج التوليدية ليس فقط أكثر دقة في التنبؤ بالإدراك البشري، بل وأيضًا قابلة للتفسير، مما يسمًاح للمطورين بفهم لماذا يرى النموذج وجهين كوجهين متشابهين أو مختلفين بناءً على سمات ميزتية وتكوينية محددة. وهذا أمر بالغ الأهمية للتطبيقات التي تتضمن مهام متعلقة بالبشر مثل المكياج الرقمي، والترميم، وحماية الخصوصية، حيث يجب تقدير "الأثر الحقيقي على الناس" بدقة.