شهدت نماذج المطابقة التدفقية (Flow Matching Models) تقدمًا ملحوظًا في مجالات توليد الصور بفضل قدراتها كأحد نماذج التوليد الاحتمالية. ومع ذلك، تعاني العديد من هذه النماذج في الاستفادة من التركيبة الداخلية للبيانات المستهدفة أثناء تعلم التدفق من توزيع مصدر بسيط مثل التوزيع الغوسي (Gaussian Distribution). يتسبب ذلك في تعلم غير فعال، لاسيما مع مجموعات البيانات الحقيقية ذات الأبعاد العالية التي عادة ما تتواجد في أشكال منخفضة الأبعاد.

لتجاوز هذه التحديات، نقدم لكم نموذج المتغيرات الكامنة (Latent-CFM)، الذي يقدّم استراتيجيات تدريب فعّالة عبر الاعتماد على المميزات المستخرجة من البيانات باستخدام نماذج المتغيرات الكامنة العميقة المدربة مسبقًا. من خلال التجارب التي أجريت على بيانات صناعية من توزيعات متعددة الأنماط ومجموعات بيانات الصور المعروفة، أثبت نموذج Latent-CFM تحسينًا في جودة التوليد مع تقليل كبير في وقت التدريب والموارد الحسابية مقارنة بالنماذج الرائدة في هذا المجال.

علاوة على ذلك، يأخذ هذا النموذج خطوة أخرى في نموذج التوليد من خلال معالجة النمذجة التوليدية للحقول المكانية الناتجة عن عمليات فيزيائية. وباستخدام مجموعة بيانات تدفق دارسي (Darcy Flow Dataset)، يظهر أسلوبنا قدرة على توليد عينات تتسم بدقة فيزيائية أعلى من الأساليب المنافسة. من خلال تحليل الفضاء الكامن، نثبت أن نهجنا يمكن أن يُستخدم لتوليد الصور وفقًا لمميزات كامنة، مما يضيف قابلية تفسيرية لعملية التوليد.

في ختام هذا المقال، يبدو أن نموذج Latent-CFM يحمل وعدًا كبيرًا لتحويل كيفية استخدام نماذج التدفق في تطبيقات توليد الصور وكيفية التعامل مع التعقيد في البيانات الحقيقية.