فريق جامعة تسينغهوا يختزل التوليد في خطوة واحدة: من الصور إلى الفيديو المتدفق

خطوة واحدة بدلًا من عشرات الخطوات: هذه هي العتبة التي يحاول فريق من جامعة تسينغهوا الوصول إليها في التوليد البصري. يدرس الباحثون «التدريب على توزيع العيّنات» (sample distribution training). ويستهدف الأسلوب few-step generation، أي الحصول على الصورة في تمريرة واحدة عبر الشبكة أو في بضع تمريرات. والمرحلة التالية هي نقل النهج إلى الفيديو المتدفق. ونقل الخبر موقع Jiqizhixin الصيني.

لماذا يحتاج التفاعل إلى خطوة واحدة

تتضح المشكلة الأساسية من مثال يومي. يقول المستخدم للنظام «向左转» («استدر إلى اليسار»)، فيُفترض أن ينكشف أمامه جزء جديد من المشهد. وهو يغيّر حركة الشخصية ويتوقع أن تستجيب الصورة فورًا. وإذا استغرق توليد الإطار ثوانيَ، يضيع الإحساس بالتحكم ويحلّ محله الإحساس بالوقوف في طابور.

يعمل الانتشار الكلاسيكي بصورة تكرارية: يزيل النموذج الضجيج تدريجيًا، عشرات المرات متتالية. وكل خطوة تكلّف حسابات ووقتًا. أما اختزال العملية إلى خطوة واحدة أو بضع خطوات فيوفّر جزءًا من ميزانية زمن الاستجابة. ويمكن إنفاق هذا الجزء في أمور أخرى: الإطار التالي، أو الاستجابة لأمر جديد، أو معالجة الصوت أو النص ضمن الحلقة نفسها. وهذا المنطق هو ما يعدّه المؤلفون سببًا في أن تصبح few-step generation قدرة محورية للأنظمة التفاعلية.

ما المعروف عن الأسلوب

لم يتوفر لنا من المنشور الذي تستند إليه هذه المادة سوى مقتطف. ولم ترد فيه تفاصيل البنية المعمارية ولا نتائج الاختبارات المعيارية (benchmarks) ولا مقياس FID ولا سرعة التوليد بالإطارات في الثانية، ولذلك لا نذكرها. المعروف ما يلي:

• الفريق: باحثون من جامعة تسينغهوا.
• الاتجاه: تدريب النماذج على مستوى توزيع العيّنات لا على مستوى الأمثلة المفردة. يمكن تفسير الاسم على هذا النحو، لكن تفاصيل التنفيذ لم تُكشف في النص المتاح.
• الهدف: توليد عالي الجودة في خطوة واحدة أو بضع خطوات.
• المسار: الصور أولًا ثم الفيديو المتدفق.
• سيناريو الاستخدام: تفاعل متعدد الوسائط باستجابة بصرية فورية.

للسياق: البحث عن مولّدات سريعة قديم. وأبرز مساراته تقطير (distillation) النموذج متعدد الخطوات إلى نموذج قليل الخطوات (نماذج consistency وdistribution matching)، ونماذج انتشار الفيديو ذاتية الانحدار التي تُخرج الإطارات في شكل بث. ويندرج طرح تسينغهوا ضمن هذا الخط. أما النظرة التوزيعية إلى التدريب فهي محاولة لجعل النموذج «الطالب» يستنسخ سلوك «المعلّم» بكامله بدلًا من مطابقة مخرجات منفردة.

من الصورة إلى البث: أين تكمن الصعوبة

الخطوة الواحدة في حالة الصورة مهمة تخص إطارًا واحدًا. أما الفيديو فيضيف بُعد الزمن. يجب أن تكون الإطارات متسقة فيما بينها، وألا ترتجف الأجسام، وألا تتراكم الأخطاء ما دام البث مستمرًا. ففي التوليد المتدفق يمتد أي عيب إلى الإطارات اللاحقة. لذلك فإن الانتقال من «صورة بخطوة واحدة» إلى «فيديو متدفق» ليس أمرًا بسيطًا. والاختبار عند هذا الانتقال تحديدًا هو ما سيُظهر مدى عمومية الأسلوب.

الخلاصة العملية للفرق

ما زال هذا الاتجاه بحثيًا وليس منتجًا جاهزًا. وعلى من يبنون أنظمة توليدية تفاعلية (عوالم الألعاب، والمساعدات الافتراضية ذات الاستجابة البصرية، وأدوات التحكم في المشهد) أن يتابعوا ثلاثة أمور.

الأول: هل سيصدر الكود المفتوح والأوزان. فبدونهما لا يمكن تقييم الأسلوب إلا من خلال الورقة البحثية. الثاني: على أي عتاد أُعلنت السرعة، أعلى وحدة GPU واحدة أم على عنقود. الثالث: كيف تحافظ الجودة على مدى بثوث الفيديو الطويلة، لا في العروض التجريبية القصيرة. فإذا تحققت النقاط الثلاث، فستصبح التوليد قليل الخطوات أداة حقيقية لمنتجات تعمل بزمن استجابة يُقاس بعشرات الميلي ثانية. وإن لم تتحقق، فستبقى مجرد مقياس جميل على إطارات منفردة.