في عالم الذكاء الاصطناعي (AI)، يعتبر تكنولوجيا ترميم الصور واحدة من أبرز التطبيقات التي تُظهر مدى تطور الابتكارات. في ظل وجود نماذج الانتشار (Diffusion Models) التي تعيد تشكيل الصور، حيث كان الاتجاه هو إما بناء نماذج خاصة لكل مهمة، أو تعديل نموذج الانتشار المدرب مسبقًا لكل صورة ملقاة، يظهر نموذج جديد يُدعى Amortized Inpainting with Diffusion (AID) كحل مبدع يجمع بين الكفاءة والجودة.

يعمل نموذج AID من خلال الاحتفاظ بنموذج الانتشار المدرب مسبقًا كقاعدة ثابتة، حيث يقوم بتدريب وحدة توجيه صغيرة قابلة لإعادة الاستخدام بشكل غير متطلب، مما يسمح بإعادة استخدامها عبر الصور الملغاة دون الحاجة إلى عمليات تحسين فردية. يعتمد هذا الحل على صياغة بحثية معينة، حيث يتم قبوله كمسألة توجيه محددة ذات هدف نهائي خاضع للإشراف.

واحدة من المزايا الرئيسية لنموذج AID هو أنه صُمم ليكون قابلاً للتعلم في أبعاد عالية، حيث استخدم الباحثون صياغة غاوسية مساعدة أثبتت فعالية في استعادة المجال التوجيهي الأمثل. يوفر هذا الجسر خوارزمية متطورة قائمة على التعلم الذاتي، مما يعزز قدرة النموذج على التعلم بشكل كامل باستخدام البيانات.

مع تقييم فعاليته على مجموعات بيانات مختلفة مثل AFHQv2 و FFHQ تحت خط أنابيب EDM البيكسي، وكذلك على ImageNet تحت خط أنابيب EDM2، أظهر نموذج AID تحسنًا مستمرًا في التوازن بين الجودة والسرعة مقارنة بأساليب الترميز الثابتة، حيث كانت زيادة الأعباء التدريبية أقل من واحد بالمئة.

في ظل هذه التطورات، يمكننا أن نتوقع أن تحدث النماذج مثل AID ثورة في كيفية التعامل مع تحديات ترميم الصور في المستقبل. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.