خطوات المُعيِّن بزاوية دوران متساوية خفّضت خطأ نموذج التدفق بنسبة 30–43%

كل خطوة من نموذج التدفق أثناء توليد الصورة تكلّف مرورًا كاملًا عبر شبكة كبيرة. لذلك يريد الجميع خطوات أقل بالجودة نفسها، والسؤال الرئيسي هو أين تُوضع هذه الخطوات بالضبط. اختبر مؤلف الدراسة على Habr فكرة جميلة: أخذ تلميح مما يحسبه المُعيِّن أصلًا مجانًا. لم تصمد الفكرة إلا نصف صمود، وتبيّن أن نصفها الثاني أكثر عملية من الأول.

إشارة مجانية وما الذي تراه

المُعيِّن متعدد الخطوات من نوع آدامز-باشفورث يخزّن السرعة السابقة. وجيب التمام بين السرعة القديمة والجديدة لا يتطلب استدعاءات إضافية للشبكة. إذا كان قريبًا من 1 فالمسار شبه مستقيم ويمكن تكبير الخطوة. وإذا تغيّر الاتجاه بحدّة فالأفضل تجزئة الخطوة.

للإشارة نقطة عمياء: جيب التمام يرى دوران السرعة لكنه لا يرى تغيّر طولها. في Anima لا يكاد هذا يزعج في منتصف المسار، حيث يمثّل الطول 0.3–0.4% من طاقة التسارع. أما عند الأطراف فتصل مساهمة الطول إلى 8–9%، وفي بعض المواضع إلى 23%.

تقدير خطأ خطوة أويلر E = (h/2)·|v|·θ، حيث θ هي الزاوية بين السرعتين المتجاورتين، يعمل جيدًا. نسبته الوسيطة إلى الخطأ الحقيقي تبلغ 80–84%، والارتباط بين الوحدات (توليفات الموجّه والبذرة) يصل إلى 91–92%. ولا يلزم سوى ثابت معايرة.

كما توجد أرضية ضوضاء. في bf16 مع classifier-free guidance تتذبذب الزاوية بين حسابين متجاورين للسرعة بنحو 1.7°. هذا تقريب عددي وليس خشونة في التدفق. والمتحكّم الذي يستهدف زاوية أدنى من هذه الأرضية ينهار إلى الحد الأدنى للخطوة.

خسر المتحكّم وربحت الشبكة

تبيّن أن المتحكّم التكيفي h_next = h · (الزاوية_المستهدفة / الزاوية_المقاسة) أسوأ من الجدول القياسي عند عدد الاستدعاءات نفسه. لم يعتمد الخطأ على الزاوية المستهدفة بل على الخطوة الأولية: 0.80 عند خطوة 0.06، و0.51 عند 0.02، و0.26 عند 0.01. والسبب أنه لا يوجد تاريخ عند الخطوة الأولى، فيكون المتحكّم أعمى حيث يبلغ الانحناء أقصاه.

عندها بنى المؤلف شبكة ثابتة مسبقًا. فقد حسب متوسط معدل دوران السرعة على الوحدات الـ11 الأخرى ووزّع الخطوات بحيث تكون زاوية الدوران متساوية في كل خطوة. ثم شغّل أويلر العادي.

النتيجة: الخطأ بالنسبة إلى الحل المتقارب أقل بنسبة 30–43% عند 8 و12 و16 و24 استدعاءً مقارنةً بالجدول القياسي في ComfyUI. وإذا أضيف ملف انتشار الخطأ (الخطأ المبكر يزن في النهاية نحو أربعة أضعاف) يصل المكسب إلى 41–50%. عندها تعطي 8 استدعاءات خطأً أقل من الجدول القياسي عند 24. وفي موجّه يحتوي وجهًا تصل الشبكة إلى تركيب الصورة المرجعية من 8 خطوات فقط، بينما يرسم الجدول القياسي تركيبًا مختلفًا.

لم يضف التكيّف مع صورة بعينها شيئًا. فالشبكة المأخوذة من صورة واحدة والمطبّقة على أخرى أعطت الخطأ نفسه. أي أن المكسب يأتي من شكل الشبكة لا من الضبط على المسار.

أين ينكسر الأمر

المقياس يغيّر الصورة. وفق LPIPS تربح الشبكة بنسبة 30–35% وتفوز في 9–11 وحدة من 12. وعلى التعبئة المسطّحة والوجوه والشبكات الهندسية يكون LPIPS أقل بنسبة 39–48%. لكن على موجّه نسيجي (فرو) يكون LPIPS أسوأ بنحو 16% رغم تحسّن المسافة في الفضاء الكامن. فالشبكة تضع الخطوات مبكرًا حيث يتحدد التركيب، وقليلًا في النهاية حيث يظهر النسيج الدقيق، ولذلك تخرج الصورة أكثر نعومة.

يعدّد المؤلف القيود بصدق:

• نموذج واحد (Anima)، ودقة واحدة، ومقياس guidance واحد؛
• 12 وحدة، والتأثيرات الأقل من 5–8% لا تظهر؛
• لم تُثبَّت الفرضيات قبل القياسات، والاكتشاف المتعلق بالخطوة الأولى جاء post hoc؛
• جرى اختبار أويلر وآدامز-باشفورث 2 فقط، وعلى هذه الشبكات يكون الثاني أسوأ من أويلر؛
• الفكرة ليست جديدة: اقتُرح نهج مشابه في CAT-Flow، ولم يقارن المؤلف نفسه به.

ماذا نفعل بهذا

إذا كنت تشغّل نموذج تدفق في ComfyUI وتحسب استدعاءات الشبكة، فلا تصدّق أن الجدول القياسي مثالي لعدد الخطوات الصغير. بالنسبة إلى Anima توجد في المستودع قوائم سيغما جاهزة لـ8 و12 و16 و24 استدعاءً. يمكن تمريرها إلى عقدة السيغما اليدوية مع المُعيِّن القياسي euler (576×768، CFG 5).

أما لنموذج آخر فيلزم التقاط مسارات مرجعية وحساب ملف معدل الدوران. وتستغرق الصورة الواحدة نحو دقيقتين. ولم يختبر المؤلف عدد الصور الكافي. وفي المشاهد النسيجية من الأفضل مقارنة الشبكة بالعين وليس فقط بالمقياس الكامن. الشيفرة و30 اختبارًا والنسخة الأولية من البحث متاحة في مستودع YakovSava/zero-cost-proxy-research.