Supervising the Path to Fine Scales: GalerkinFlow for Scientific-Field and Image Super-Resolution

في عالم التصوير العلمي، يبرز تحدٍ مستمر: كيف يمكن رؤية التفاصيل غير المرئية المختبئة داخل صورة ضبابية ومنخفضة الدقة. هذه المشكلة، المعروفة باسم "الدقة الفائقة" (super-resolution)، تطلب من الحواسيب ابتكار الأنسجة الدقيقة والحواف الحادة التي فُقدت عندما تم تقليل عينة الإشارة أو التقاطها بواسطة مستشعر خشن. لعقود من الزمن، اقترب الباحثون من هذا الأمر عبر تدريب الذكاء الاصطناعي على النظر إلى زوج من الصور — نسخة ضبابية وأخرى حادة ومثالية — وتعلم اختصار مباشر من المدخلات منخفضة الجودة إلى المخرجات عالية الجودة. تعمل هذه الطريقة بشكل جيد بما يكفي، لكنها تعامل الرحلة بين الصورتين كصندوق أسود؛ فالكمبيوتر يتعلم الوجهة، لكن ليس لديه تعليمات حول كيفية صقل الصورة تدريجياً على طول الطريق، مما يترك المسار بين الضباب والوضوح غير مستكشف وغير متحكم فيه.

اقترح باحث في جامعة كوليدج لندن طريقة مختلفة للتفكير في هذه الرحلة. فبدلاً من معاملة الصورة الضبابية وصورتها الحادة المستهدفة كمجرد نقطتين للربط بينهما، أدرك أن المساحة بينهما مليئة بطيف مستمر من الحالات المستعادة جزئياً. تخيل زوجاً من الصور ليس كخط بداية ونهاية، بل كمسطرة تحدد كل خطوة ممكنة في المنتصف. ومن خلال تعليم الكمبيوتر التنبؤ بالخطوة الصغيرة التالية نحو الوضوح عند أي نقطة على طول هذه المسطرة، ابتكر الباحث نظاماً يتعلم عملية الاستعادة بأكملها، وليس النتيجة النهائية فحسب. إن طريقته الجديدة، التي تسمى "GalerkinFlow"، لا تتطلب من الكمبيوتر معرفة المعادلات الفيزيائية التي خلقت الصورة، ولا تحتاج إلى أي بيانات وصفية خاصة حول كيفية جمع البيانات. فهي ببساطة تتعلم كيفية التنقل في المسار من الخشن إلى الدقيق باستخدام الأمثلة المزدوجة المقدمة فقط.

جوهر هذا النهج هو التحول في كيفية تعليم الكمبيوتر. في الطرق التقليدية، تُعرض على النموذج صورة ضبابية ويُطلب منه إنتاج الصورة الحادة، ويتلقى التغذية الراجعة فقط بناءً على المخرج النهائي. ومع ذلك، فإن الطريقة الجديدة تأخذ هذا الزوج نفسه وتخترع سلسلة من الصور الوسيطة التي تقع في منتصف المسافة بين الضباب والحدة. وفي هذه النقاط الوسيطة العشوائية، يُطلب من الكمبيوتر التنبؤ بالمسافة المتبقية للوصول إلى الصورة الحادة النهائية. ولأن الباحث يعرف بالضبط كيف تبدو الصورة النهائية، يمكنه حساب "الفرق" أو "المتبقي" الدقيق الذي يجب إضافته في تلك اللحظة المحددة. وهذا يحول مثال تدريب واحد إلى مصدر غني بالعديد من الدروس؛ إذ يتعلم النموذج أنه سواء كان في بداية صقل الصورة أو كان قد شارف على الانتهاء، فإن الاتجاه الذي يجب أن يتحرك نحوه للوصول إلى الهدف يظل ثابتاً وقابلاً للتنبؤ.

لإنجاح ذلك، بنى الباحث شبكة عصبية تعمل كدليل على طول هذا المسار. وهي تجمع بين مستخلصات الميزات المحلية، التي تنظر إلى الجوار الصغير للبكسلات لفهم النسيج، وآلية خلط عالمية تفهم كيفية ارتباط الأجزاء البعيدة من الصورة ببعضها البعض. تسمح هذه البنية للنظام بالتعامل مع صور ذات أحجام ودقات مختلفة دون الحاجة إلى إعادة تدريبه لكل مقياس محدد. والأهم من ذلك، أن النظام مصمم ليكون "مستقلاً عن المعادلات"، مما يعني أنه يعمل بنفس الكفاءة على المناظر الطبيعية كما يعمل على المحاكاة العلمية المعقدة لديناميكا السوائل أو تدفق المياه الجوفية. فهو لا يحتاج إلى معرفة قوانين الفيزياء التي تحكم الماء أو الرياح؛ بل يحتاج فقط إلى رؤية نمط تطور البيانات من الدقة المنخفضة إلى العالية.

اختبر الباحث هذه الفكرة على نوعين مختلفين تماماً من البيانات: تدفقات محاكات للهواء والماء، التي تحكمها قوانين رياضية معقدة، وصور فوتوغرافية قياسية لمشاهد من الحياة اليومية. وعلى البيانات العلمية، التي شملت محاكاة لحركة السوائل وتدفق المياه الجوفية عبر الصخور المسامية، تفوقت الطريقة الجديدة على كل التقنيات الموجودة الأخرى التي لا تعتمد على معرفة المعادلات الفيزيائية الكامنة. فقد قللت الخطأ في الصور المستعادة بهامش هائل، محققة نتائج تكاد تكون مثالية مقارنة بأفضل الطرق السابقة. فعلى سبيل المثال، في الاختبارات على تدفق السوائل، قللت هذه الطريقة الجديدة الخطأ بنسبة تزيد عن 98 بالمئة مقارنة بالطريقة التالية الأفضل عند مقاييس معينة. وهذا يشير إلى أنه من خلال الإشراف على مسار الاستعادة بأكمله بدلاً من مجرد النهاية، يتعلم النموذج طريقة أكثر قوة ودقة لاستعادة التفاصيل الدقيقة.

كما أثبتت الطريقة فعاليتها في الصور الفوتوغرافية الطبيعية، وهو مجال غالباً ما يكون الهدف فيه جعل الصور تبدو مرضية للعين البشرية بدلاً من كونها دقيقة رياضياً. في هذه الاختبارات، أنتج النظام صوراً ذات وضوح ودقة هيكلية أعلى من النماذج الرائدة الأخرى، رغم أنه أظهر تبايناً طفيفاً في كيفية تعامله مع الجودة "الإدراكية" للصورة مقارنة بأدوات تحسين الصور المتخصصة. وهذا يشير إلى أنه بينما يتفوق النظام بشكل استثنائي في استعادة القيم والأشكال الفعلية داخل الصورة، فإن الطريقة التي يصور بها الأنسجة الفنية الدقيقة لا تزال مجالاً تمتلك فيه نماذج الصور المتخصصة تفوقاً طفيفاً. ومع ذلك، فإن حقيقة أن نهجاً واحداً يمكنه التفوق في كل من الدقة الصارمة للبيانات العلمية والمتطلبات الدقيقة للتصوير الفوتوغرافي تعد إنجازاً كبيراً.

إن الرؤية الرئيسية من الدراسة هي أن المسار نفسه حتمي. وخلافاً لبعض النماذج التوليدية التي تنشئ الصور عن طريق إضافة ضوضاء عشوائية والأمل في الوصول لنتيجة، يبدأ هذا النظام بملاحظة ضبابية محددة ويتبع مساراً صارماً ومحسوباً للوصω النسخة الحادة. وقد وجد الباحث أنه من خلال تدريب النموذج صراحةً على القيام أيضاً بالخطوة النهائية من الصورة الضبابية الأصلية إلى الصورة الحادة، استطاع منع النموذج من الاعتماد المفرط على "الاختصار" الناتج عن رؤية الخطوات الوسيطة أثناء التدريب. وهذا يضمن أنه عندما يُستخدم النموذج في العالم الحقيقي، حيث يمتلك فقط الصورة الضبابية للبدء، فإنه سيعمل بنفس الكفاءة التي أظهرها خلال مرحلة التدريب.

توضح النتائج أن كل زوج من الصور يحتوي على معلومات أكثر بكما كان يُعتقد سابقاً. فمن خلال معاملة العلاقة بين صورة ضبابية ونظيرتها الحادة كمسار مستمر، نجح الباحث في فتح مستوى جديد من الإشراف الذي يقود الكمبيوتر عبر عملية الاستعادة بأكملها. لا يتطلب هذا النهج من الكمبيوتر أن يكون فيزيائياً أو خبيراً في الأرصاد الجوية؛ بل يتطلب فقط من الكمبيوتر فهم هندسة المسار بين المعلوم والمجهول. وتشير النتائج إلى أنه بالنسبة للعديد من المهام العلمية والتصويرية، فإن الأداة الأكثر قوة ليست مجموعة أكثر تعقيداً من القوانين الفيزيائية، بل طريقة أذكى لتنظيم البيانات المتاحة بالفعل.