Implicit Neural Representations (INRs)

التمثيلات العصبية الضمنية (INRs) هي نهج حديث في التعلّم العميق (DL)، تُستخدم فيه شبكة عصبية (NN) لتمثيل الإشارات المعقدة والمتصلة، مثل الصور والصوت والمشاهد ثلاثية الأبعاد، بمعلمات بدلًا من البنى الشبكية المتقطعة التقليدية، كالبكسلات أو وحدات الفوكسل. ومن خلال ربط الإحداثيات المكانية أو الزمنية بقيم محددة للإشارة مباشرةً (مثل اللون أو الكثافة)، تتيح التمثيلات العصبية الضمنية رسم خرائط الصور بدقة لا نهائية من الناحية النظرية. وقد أحدثت هذه الصياغة الرياضية الأنيقة تحولًا في الرؤية الحاسوبية (CV) والذكاء الاصطناعي التوليدي، ومكّنت من تحقيق تحسينات هائلة في إعادة البناء ثلاثي الأبعاد والعرض وضغط البيانات.

آلية عمل التمثيلات العصبية الضمنية#

على خلاف التمثيلات الصريحة المعتادة التي تخزّن البيانات في مصفوفات محدودة، تستخدم التمثيلات العصبية الضمنية دالة رياضية متصلة، وعادةً ما تكون مدركًا متعدد الطبقات (MLP)، لتعلّم البنية الأساسية للإشارة. فمثلًا، لتمثيل صورة، تستقبل الشبكة إحداثيات بكسل ثنائية الأبعاد (x, y) وتُخرج لون RGB المقابل. ولأن التمثيل متصل، يمكن الاستعلام عن النموذج عند أي نقطة مكانية اعتباطية، ما ينتج مخرجات مستقلة بطبيعتها عن الدقة.

كان أحد التحديات الشائعة في أبحاث التمثيلات العصبية الضمنية المبكرة هو «الانحياز الطيفي»، إذ واجهت الشبكات الأساسية صعوبة في التقاط التفاصيل عالية التردد، مثل الحواف الحادة أو الأنسجة المعقدة. وتعالج التطورات الحديثة الواردة في الأدبيات الأكاديمية، مثل arXiv ومعاملات IEEE للرؤية الحاسوبية هذه المشكلة باستخدام دوال تنشيط متخصصة، مثل شبكات SIREN القائمة على دوال الجيب، أو ترميز سمات فورييه. وتتيح هذه التقنيات للنموذج الاحتفاظ بتفاصيل بصرية واضحة وعالية الدقة، حتى في المشاهد الديناميكية المعقدة.

تطبيقات في العالم الواقعي#

نظرًا إلى أن التمثيلات العصبية الضمنية تتعلم دوالًا متصلة، فهي ذات قيمة كبيرة عندما تفرض قيود دقة الشبكة الفيزيائية تحديًا حاسوبيًا.

• إعادات البناء في التصوير الطبي: تُستخدم التمثيلات العصبية الضمنية على نحو متزايد لتعزيز القدرات التشخيصية في البيئات السريرية. ويمكنها إعادة بناء صور الرنين المغناطيسي أو التصوير المقطعي المحوسب عالية الدقة انطلاقًا من بيانات المستشعرات المأخوذة بعينات متفرقة. وهذا يقلل مدة تعرض المرضى، مع تقديم نتائج تشخيصية أوضح.
• توليف مشاهد ثلاثية الأبعاد عالية الدقة: تشكل التمثيلات العصبية الضمنية البنية الأساسية وراء تقنيات توليف المناظر الحديثة. ومن خلال تقييم الإحداثيات وزوايا الرؤية، تولّد التمثيلات العصبية الضمنية البيانات الحجمية اللازمة لعرض بيئات واقعية فوتوغرافيًا في ألعاب الفيديو أو الإنتاج السينمائي.
• ضغط البيانات المتقدم: بدلًا من تخزين ملايين البكسلات أو العينات الصوتية كلٌّ على حدة، يستطيع المهندسون إرسال أوزان النموذج المدرَّب فقط. وتبرز منشورات Nature حول التمثيلات الضمنية كيف يخفض هذا النهج أحجام الملفات بدرجة كبيرة للبيانات العلمية عالية الأبعاد.

التمييز عن المفاهيم ذات الصلة#

يتطلب فهم التمثيلات العصبية الضمنية التمييز بينها وبين منهجيات التمثيل الراسخة الأخرى.

• التمثيلات العصبية الضمنية مقابل تمثيلات الشبكات الصريحة: تتميز التنسيقات الصريحة، مثل شبكات فوكسل ثلاثية الأبعاد، ببصمة ذاكرة ثابتة تزداد أُسيًا مع زيادة الدقة. أما التمثيلات العصبية الضمنية، فلها بصمة ذاكرة ثابتة تعتمد على حجم الشبكة العصبية وحده، ولا ترتبط بالدقة المكانية للمخرجات.
• التمثيلات العصبية الضمنية مقابل حقول الإشعاع العصبية (NeRFs): يُعد NeRF تطبيقًا محددًا للتمثيل العصبي الضمني. ففي حين يشير مصطلح «INR» إلى التقنية العامة لربط الإحداثيات بالإشارات باستخدام الشبكات العصبية، يستخدم NeRF تمثيلًا عصبيًا ضمنيًا تحديدًا لربط الإحداثيات المكانية ثلاثية الأبعاد واتجاهات الرؤية باللون والكثافة الحجمية، وذلك لتوليف مناظر ثلاثية الأبعاد جديدة.

دمج التمثيلات العصبية الضمنية في سير عمل الرؤية الحاسوبية#

بينما تتولى التمثيلات العصبية الضمنية توليد البيانات المكانية المتصلة وتمثيلها، فإنها تعمل غالبًا بالتوازي مع نماذج الرؤية الصريحة. فعلى سبيل المثال، قد تُولّد التمثيلات العصبية الضمنية إطارًا عالي الدقة لمشهد ما أو تنشئ بيانات اصطناعية، ثم تُمرر هذه البيانات إلى مسار عمل لاكتشاف الكائنات.

يمكنك استخدام أُطر عمل مثل مكتبة الشبكات العصبية PyTorch لتعريف هذه الشبكات التي تربط الإحداثيات. وبعد أن تعيد التمثيلات العصبية الضمنية بناء الصورة أو ترفع دقتها، يمكنك معالجتها بسلاسة باستخدام نموذج متقدم مثل Ultralytics YOLO26. علاوة على ذلك، عند إنشاء مجموعات بيانات تدريبية من هذه المشاهد المُولّدة، توفر منصة Ultralytics بنية تحتية سحابية قوية للتوسيم والنشر. وتتوفر تعليمات مفصلة في وثائق المنصة.

import torch
import torch.nn as nn
from ultralytics import YOLO

# ⁨1. تعريف ربط أساسي للتمثيل العصبي الضمني يحوّل الإحداثيات ثنائية الأبعاد إلى RGB⁩
inr = nn.Sequential(nn.Linear(2, 64), nn.ReLU(), nn.Linear(64, 3), nn.Sigmoid())

# ⁨2. إعادة بناء بكسلات RGB من الإحداثيات المتصلة (x, y)⁩
synthetic_pixels = inr(torch.rand(100, 2))

# ⁨3. تحليل البيانات المُولّدة باستخدام Ultralytics YOLO26⁩
model = YOLO("yolo26n.pt")

من خلال فصل تمثيل البيانات عن قيود الشبكات الفيزيائية، توفر التمثيلات العصبية الضمنية إطارًا قابلًا للتوسع بدرجة كبيرة وموفرًا للذاكرة، لمستقبل الذكاء المكاني وبنى التعلّم الآلي المتصلة.