Zebra3D يسرّع إعادة البناء ثلاثي الأبعاد حتى 7,1× على 1024 إطارًا دون تدريب من الصفر

تصطدم النماذج التي تبني مشهدًا ثلاثي الأبعاد من مجموعة صور دون معرفة أوضاع الكاميرات المسبقة بتكلفة الانتباه العام (global attention)، وهي تنمو تربيعيًا مع عدد الإطارات. يقترح فريق Zebra3D طريقة لتخفيف هذا القيد دون تدريب من الصفر. وبحسب المؤلفين، يصل التسريع الشامل (end-to-end) إلى 7,1× على 1024 منظرًا. وبعد الضبط الدقيق، يحقق Zebra3D-VGGT نتيجة 80,5% في مقياس AUC@30 على RealEstate10K، بمتوسط تناثر في الانتباه يبلغ 94%. وهذا ضمن حدود 1,1 نقطة مئوية من نموذج VGGT الكثيف الذي خضع للضبط الدقيق على البيانات نفسها وبالجدول الزمني نفسه.

أين يتعطل التوسع؟

تُخرج نماذج 3D من نوع التغذية الأمامية (feed-forward)، مثل VGGT وHunyuanWorld-Mirror وπ³، الهندسة وأوضاع الكاميرات في تمريرة واحدة. ولتحقيق ذلك تنظر رموز (tokens) جميع الإطارات بعضها إلى بعض عبر الانتباه العام. وهذا مقبول على عشرات المناظر. أما على مئات الإطارات وآلافها فتبدأ تكلفة الانتباه بالهيمنة، ولا يعود النموذج قادرًا على التوسع مع زيادة عدد الصور المُدخلة.

بدأ المؤلفون من ملاحظة تتعلق بكيفية توزّع الانتباه على عمق الشبكة. وتبيّن أن النمط متشابه في البنى الثلاث جميعها. فالمراحل المبكرة تتحمل استبدال الانتباه الخطي بها بقدر جيد نسبيًا. أما المراحل المتوسطة والمتأخرة، وهي الحساسة لهذا الاستبدال، فيكون الانتباه فيها عادةً أكثر تركّزًا: إذ تتجمع المعلومات المهمة في عدد قليل من المواضع.

كيف يعمل Zebra3D

بُني على هذه الملاحظة مخطط هجين طبقةً بطبقة. ففي المراحل المتحمّلة يُستخدم انتباه يعتمد في الأساس على الجزء الخطي. وفي المراحل الحساسة يُستخدم انتباه متناثر قائم على البلاطات (tiles)، إذ لا تُحتسب سوى كتل الرموز المختارة. ولكي لا يضيع بقية السياق، تُمثَّل المناطق غير المختارة بملخصات مرجعية (landmark summaries).

وثمة تفصيل مهم للتطبيق العملي: يمكن إجراء التحويل دون تدريب. إذ تُضبط المكوّنات الخطية بتحويل أفيني بصيغة مغلقة، أي بحل لا يحتاج إلى النزول التدريجي (gradient descent). وإذا لزمت دقة أعلى، يُضاف ضبط دقيق اختياري بعد التحويل. ويجمع هذا الضبط بين دالة الإشراف المعتادة الخاصة بالمهمة (supervision) وتقطير (distillation) مخرجات النموذج الكثيف وخصائصه العلائقية.

أبرز الأرقام الواردة في الملخص:

• ثلاثة نماذج أساسية خضعت للاختبار: VGGT وHunyuanWorld-Mirror وπ³؛
• تسريع يصل إلى 7,1× عند 1024 منظرًا مُدخلًا، مع تزايد المكسب بزيادة عدد الإطارات؛
• متوسط تناثر الانتباه 94% في Zebra3D-VGGT بعد الضبط الدقيق؛
• 80,5% في AUC@30 على RealEstate10K، والفارق عن VGGT الكثيف الذي خضع للضبط الدقيق نفسه لا يتجاوز 1,1 نقطة مئوية، أي نحو 81,6%؛
• تبقى الصيغ التي لا تتطلب تدريبًا قريبة من نظيراتها الكثيفة في جودة إعادة البناء ودقة أوضاع الكاميرات.

ما الذي يجب تغييره في خط المعالجة؟

بالنسبة إلى الفرق التي تعمل مع مجموعات صور كبيرة (الخرائط، ومسح الأجسام والأماكن، وبيانات الروبوتات، وتوليد العوالم)، فإن الأهم أن هذه الترقية لا تتطلب تدريبًا أوليًا (pretraining) جديدًا. إذ يمكن أخذ نقطة التحقق (checkpoint) المستخدمة حاليًا وتشغيل التحويل عليها. ويناسب الخيار الذي لا يتطلب تدريبًا اختبارًا سريعًا للفرضية. أما الضبط الدقيق فيلزم عندما تكون دقة أوضاع الكاميرات مهمة، وتكلفته لا تُقارن بتكلفة التدريب من الصفر.

وثمة تحفظات. فهذه ورقة أولية (preprint) على arXiv، ولا يوجد حتى الآن تحقق مستقل. وقد قاس المؤلفون السرعة والجودة بأنفسهم، كما أن أقصى تسريع يخص عددًا متطرفًا من المناظر. وعلى 8–32 إطارًا النموذجية سيكون المكسب أقل بكثير، ما دام ينمو مع عدد الإطارات. وقبل اعتماد الإطار، يجدر قياس زمن الاستجابة والذاكرة على بياناتكم الخاصة، ومعرفة أين يمر حد الطبقات الحساسة في نموذجكم، والتحقق من توافر الشيفرة والأوزان. وإذا تأكدت الأرقام المعلنة، فستصبح معالجة آلاف الإطارات في تمريرة واحدة أداة عملية، لا مجرد عرض توضيحي على منصة.