نماذج الانتشار (Diffusion Models): كيف تُولَّد الصور من الضوضاء؟

منذ 2022، Diffusion Models أصبحت التقنية المهيمنة على توليد الصور والفيديو بالذكاء الاصطناعي. Midjourney, DALL-E 3, Stable Diffusion, Flux, Sora، كلها تعتمد عليها. هذا شرح تقني معمّق لكيفية عملها.

الحدس المبدئي

تخيّل عملية "إتلاف تدريجي":

1. تبدأ بصورة نظيفة.
2. تضيف قليلاً من الضجيج → لا تزال مرئية.
3. تكرّر 1000 مرّة → صورة عشوائية بالكامل (ضجيج نقي).

السؤال العبقري: ماذا لو دربنا نموذجاً على عكس هذه العملية؟

• نبدأ من ضجيج عشوائي.
• في كل خطوة، النموذج يُخمّن "ما شكل الصورة قبل إضافة الضجيج؟"
• نصل تدريجياً لصورة نظيفة جديدة لم يرها من قبل.

الرياضيات المبسّطة

العملية الأمامية (Forward Diffusion)

تدريجياً نضيف ضجيجاً غاوسياً:

x_t = √(1-β_t) · x_{t-1} + √(β_t) · ε

• x_0 = الصورة الأصلية.
• x_T = ضجيج كامل (T ~ 1000).
• β_t = جدول ضجيج (يزيد مع t).
• ε ~ N(0, I) = ضجيج غاوسي.

خاصّية جميلة: يمكننا الانتقال مباشرة لأي x_t بمعادلة مغلقة، دون المرور بكل الخطوات.

العملية العكسية (Reverse Diffusion)

نُدرّب شبكة عصبية ε_θ(x_t, t) لتوقّع الضجيج المُضاف في الخطوة t.

دالة الخسارة:

L = ||ε - ε_θ(x_t, t)||²

نأخذ صورة نظيفة، نضيف ضجيجاً معلوماً، ونُدرّب النموذج على توقّع هذا الضجيج.

عند التوليد:

1. ابدأ من x_T ~ N(0, I).
2. لكل t من T إلى 1:
   • توقّع الضجيج ε_θ(x_t, t).
   • أزل جزءاً منه: x_{t-1} = f(x_t, ε_θ).
3. النتيجة: x_0 = صورة نظيفة جديدة.

المعمارية: U-Net

U-Net هو النموذج المُستخدم لتوقّع الضجيج:

• بدأ في التصوير الطبّي 2015.
• شكل حرف U: encoder (تقليل الحجم) + decoder (إعادة البناء) + skip connections بينهما.
• يحفظ التفاصيل عالية التردّد.

في Diffusion:

• المدخل: صورة مضوضَأة + الخطوة الزمنية t.
• المخرج: توقّع الضجيج (بنفس أبعاد المدخل).

التطوّرات الرئيسية

1. DDPM (2020، Ho et al.)

Denoising Diffusion Probabilistic Models، أوّل تطبيق ناضج. جودة صور أفضل من GAN على CIFAR-10.

2. DDIM (2020)

Denoising Diffusion Implicit Models، يُقلّل عدد الخطوات المطلوبة (من 1000 إلى 20-50) دون خسارة جودة كبيرة. ضروري للاستخدام العملي.

3. Classifier-Free Guidance (2021)

تقنية لتوجيه التوليد نحو شرط معيّن (نصّ مثلاً):

ε_final = ε_uncond + w · (ε_cond - ε_uncond)

• w = "guidance scale" (عادةً 5-15).
• أعلى = التزام أكثر بالنصّ لكن جودة أقلّ أحياناً.

4. Latent Diffusion (2021)

High-Resolution Image Synthesis with Latent Diffusion Models، الابتكار الذي أطلق Stable Diffusion.

المشكلة: صورة 512×512×3 = 786432 قيمة. Diffusion عليها يحتاج قوّة حاسوبية هائلة.

الحلّ:

1. VAE Encoder: يضغط الصورة إلى فضاء latent (مثلاً 64×64×4 = 16384 قيمة).
2. Diffusion في فضاء latent (أرخص 50x).
3. VAE Decoder: يعيد بناء الصورة النهائية.

النتيجة: Stable Diffusion يعمل على GPU منزلي (8-16 GB).

5. Cross-Attention للشرط النصّي

• النصّ يُحوَّل لـ embeddings (CLIP في SD 1.x/2.x، T5 في SD 3، Flux).
• في كل طبقة من U-Net، Cross-Attention يُتيح للصورة "الالتفات" للنصّ.

Stable Diffusion، التسلسل الزمني

• 1.4/1.5 (أغسطس 2022): الإطلاق العام. مفتوح تماماً. ثورة.
• 2.0/2.1 (نوفمبر 2022): تحسينات لكن جودة إبداعية أضعف بسبب تنظيف بيانات التدريب.
• XL (يوليو 2023): جودة أعلى بكثير، دعم prompts معقّدة.
• 3 (فبراير 2024): بنية جديدة (MMDiT بدل U-Net)، جودة نصّ محسَّنة.
• 3.5 (أكتوبر 2024): إصدار أفضل، مع مخاوف ترخيص.
• Flux (Black Forest Labs، أغسطس 2024): بدأه مؤسّسو Stability السابقون. جودة تنافس Midjourney.

Midjourney

• شركة بحث خاصة (لم تنشر تفاصيل تقنية).
• يعتمد أيضاً على Diffusion + Latent + CLIP-like guidance.
• تركيز على الجودة الجمالية، تفوّق عام على Stable Diffusion منذ v5.
• V6 (2024)، V7 (2025) قفزات نوعية.

DALL-E 3 (OpenAI)

• بُنيَ فوق DALL-E 2.
• ابتكار: استخدام GPT-4 لـ "إعادة صياغة" الـ prompt قبل التوليد، يُنتج prompts أدقّ وأوصف.
• جودة نصّ في الصور ممتازة (لافتات، شعارات).

ControlNet والامتدادات

ControlNet (2023، Zhang et al.): يُضاف لـ Stable Diffusion لتحكّم دقيق:

• Canny edges: تُعطي الحواف، يُلوّنها.
• OpenPose: تُعطي هيكل بشري، يُلبسه.
• Depth: تُعطي خريطة عمق، يُنشئ مشهداً 3D.
• Scribble: رسمة تخطيطية → صورة كاملة.

LoRA (Low-Rank Adaptation): fine-tuning خفيف لـ Stable Diffusion:

• تدريب على 20-100 صورة (شخصية، أسلوب، منتج).
• ملفات صغيرة (~150MB).
• الأساس لآلاف النماذج المخصّصة على CivitAI و Hugging Face.

توسّع للفيديو

Sora (OpenAI، 2024) و Veo (Google، 2024):

• تعميم Diffusion من الصور إلى الفيديو.
• التحدّي: الاتّساق الزمني بين الإطارات.
• الحلّ: Diffusion Transformers (DiT) بدل U-Net.

Runway Gen-3, Kling بدائل تجارية.

تسريع الاستدلال

Latent Consistency Models (LCM): توليد بـ 2-4 خطوات فقط.

SDXL Turbo, SD3 Turbo: نسخ مقطّرة تولّد في خطوة واحدة أو خطوتين، سريعة جداً، جودة مقبولة.

Distillation: نموذج طالب صغير يتعلّم من نموذج معلّم كبير.

Diffusion خارج الصور

الصوت

• AudioLDM, Stable Audio: توليد موسيقى وأصوات بيئة.

النصّ

• محاولات (Diffusion-LM) لكن Transformer اللي فاز حالياً.

الجزيئات

• RFDiffusion لتصميم البروتينات.
• توليد جزيئات دوائية جديدة.

التصميم ثلاثي الأبعاد

• Dream Gaussian, Zero-1-to-3 لتوليد نماذج 3D.

المشاكل والتحدّيات

1. البطء

كل خطوة = مرور كامل عبر U-Net الضخم. حتى مع تحسينات، توليد صورة 1024x1024 = 5-30 ثانية.

2. التحيّز

بيانات التدريب من الإنترنت = تحيّزات ثقافية وعنصرية. "طبيب" في SD 1.5 = ذكر أبيض 90% من الوقت.

3. حقوق النشر

• نماذج تُدرَّب على صور محمية.
• دعاوى قضائية (Getty Images ضد Stability AI 2023).
• Adobe Firefly ادّعى تدريباً على بيانات مرخّصة فقط.

4. Deepfakes وسوء الاستخدام

• الوجوه الواقعية أصبحت سهلة التوليد.
• تايلور سويفت 2024 (صور مزيّفة انتشرت واسعاً).
• الحاجة لعلامات مائية (SynthID من Google) وقوانين تنظيمية.

5. جودة النصّ في الصور

Diffusion يُعاني في كتابة نصّ صحيح. SD3, DALL-E 3, Flux حسّنوا هذا لكن لا يزال يُخفق أحياناً.

استخدامات عملية

• تصميم منتجات: تصوّر أفكار قبل التصنيع.
• مواد تسويقية: صور موقع، إعلانات، سوشيال ميديا.
• قصص مصوّرة، فنّ مفهومي للألعاب والأفلام.
• تصور معماري: تحويل رسمة لصورة واقعية.
• موضة: تصميم قطع افتراضية قبل الإنتاج.

المستقبل

• Diffusion Transformers (DiT) يحلّ محلّ U-Net.
• Multi-modal Diffusion: نموذج واحد يُنتج صورة + صوت + فيديو.
• Real-time Diffusion: توليد أثناء الحديث.
• Personalization: نموذج يتعلّم أسلوبك في دقائق.

للاستزادة

• Hugging Face Diffusers، مكتبة Python للتشغيل والتدريب.
• Lil'Log Blog، أفضل شرح رياضي أونلاين.
• Fast.ai Course، دورة عملية.

اقرأ أيضاً:

• توليد الصور بالذكاء الاصطناعي: من DALL-E إلى Midjourney إلى Flux
• توليد الفيديو بالذكاء الاصطناعي: Veo و Sora و Runway