كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيعبقري الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةموسوعة شبكات التعلم العميق الحديثةمختبر الشبكات العصبية البيانيةمختبر تحليل الصور الطبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجةمختبر الذكاء الاصطناعي الكمّي

متوسطالشبكات التوليدية

سايكل-جان

CycleGAN

ترجمة بين نطاقين من الصور دون أزواج مقترنة، باستخدام مولّدين متعاكسين ومميِّزين، مع خسارة "اتساق الدورة" التي تفرض أن الترجمة ذهاباً وإياباً تعيد الصورة الأصلية.

نظرة عامة

الاسمسايكل-جان – CycleGAN
سنة الظهور2017
الباحثونJun-Yan Zhu، Taesung Park، Phillip Isola، Alexei A. Efros
الجهةUC Berkeley
الورقة الأصليةUnpaired image-to-image translation using cycle-consistent adversarial networks DOI arXiv
نوع البياناتصور
المجالاتالذكاء الاصطناعي التوليدي، الرؤية الحاسوبية، تحليل الصور الطبية
الكلفة الحسابيةأربع شبكات؛ تقريباً ضعف GAN.
حجم البياناتمئات إلى آلاف الصور لكل نطاق.

المشكلة التي تحلها

pix2pix تحتاج أزواج صور متطابقة، وهي غير متوفرة غالباً (مثل صورة حصان وصورة الحمار الوحشي نفسه بنفس الوضعية).

الخلفية والتطور

ما قبلها: الشبكات التوليدية التنافسية، الشبكات التنافسية المشروطة

  1. 2017

    pix2pix للترجمة المقترنة. [مرجع]

  2. 2017

    CycleGAN للترجمة غير المقترنة (ICCV 2017). [مرجع]

الفكرة الأساسية

$G:X\to Y$ و$F:Y\to X$. الخسارة التنافسية تجعل $G(x)$ يبدو من $Y$. لكنها وحدها تسمح بأي تعيين يطابق التوزيع، فتضاف خسارة الدورة $F(G(x))\approx x$ و$G(F(y))\approx y$ لتقييد الحلول.

مثال: تحويل صور MRI من جهاز إلى "أسلوب" جهاز آخر لتقليل اختلاف المواقع (domain shift) مع التحقق من أن التشريح لم يتغير.

المخطط التفاعلي

مخطط توضيحي مبسّط بأبعاد مثال صغير، وليس رسماً مطابقاً لكل تفاصيل التنفيذ الأصلي. اضغط أي طبقة لترى وظيفتها وأبعادها والعملية الرياضية.

اختر طبقة من المخطط.

الاتجاه المعاكس y → F(y) → G(F(y)) متناظر.

المكونات

المكوّنالوظيفة
G: X→Y
F: Y→X
D_X, D_Yمميِّزان
Cycle lossL1 لإعادة البناء
Identity loss (اختياري)للحفاظ على الألوان

المعادلات

1. الهدف الكامل

$$\mathcal{L}=\mathcal{L}_{GAN}(G,D_Y)+\mathcal{L}_{GAN}(F,D_X)+\lambda\,\mathcal{L}_{cyc}(G,F)$$

الرموز
$\lambda$10 في الورقة
الأبعاد
قيمة قياسية
مثال عددي
خسارتان تنافسيتان $0.3+0.3$ وخسارة دورة $0.05$ مع $\lambda=10$: $\mathcal{L}=1.1$.
علاقتها بالمعمارية
التوازن بين الواقعية والحفاظ على المحتوى.

2. خسارة اتساق الدورة

$$\mathcal{L}_{cyc}=\mathbb{E}_x\lVert F(G(x))-x\rVert_1+\mathbb{E}_y\lVert G(F(y))-y\rVert_1$$

الرموز
$G$المحوّل من المجال X إلى Y
$F$المحوّل العكسي من Y إلى X
$\lVert\cdot\rVert_1$مجموع القيم المطلقة للفروق
الأبعاد
قيمة قياسية
مثال عددي
$x=(0.5,0)$ و$F(G(x))=(0.48,0.01)$: الخطأ $0.02+0.01=0.03$.
علاقتها بالمعمارية
تقيد التعيين ليكون قابلاً للعكس تقريباً.

آلية العمل خطوة بخطوة

  1. اسحب دفعة من X ودفعة من Y (غير مقترنتين).
  2. ترجم في الاتجاهين.
  3. احسب الخسائر التنافسية والدورة.
  4. حدّث المولّدين ثم المميِّزين.

المزايا والقيود

المزايا

  • لا يحتاج أزواجاً.
  • فعال لتغيير الأسلوب والمظهر.

القيود

  • ضعيف في التغييرات الهندسية الكبيرة.
  • قد "يخفي" معلومات في إشارات دقيقة لتحقيق الدورة.
  • خطر هلوسة بنى غير موجودة (حرج طبياً).

متى تُستخدم؟ ومتى لا؟

تناسب

  • نقل الأسلوب أو المظهر بين نطاقين بلا أزواج.

لا تناسب

  • حين تتوفر أزواج (pix2pix أدق).
  • تطبيقات طبية دون تحقق صارم من الحفاظ على التشريح.

التطبيقات

المجالالاستخدام
الرؤية الحاسوبيةنقل الأسلوب والفصول.
تحليل الصور الطبيةمواءمة صور من أجهزة مختلفة (مع حذر).
الذكاء الاصطناعي التوليديتحويل المظهر.

كود PyTorch

كود تعليمي مبسّط يعمل على بيانات اصطناعية صغيرة، يغطي: الاستيراد، وتعريف النموذج، والبيانات، والتمرير الأمامي، والخسارة، والمُحسِّن، وحلقة التدريب، والتقييم، والاستدلال. ليس التنفيذ الكامل للبحث الأصلي.

Python (PyTorch)
# CycleGAN على نطاقين ثنائيي الأبعاد غير مقترنين
# مثال تعليمي مبسّط بـ PyTorch (ليس التنفيذ الأصلي الكامل للبحث): بيانات اصطناعية صغيرة،
# يعمل على المعالج المركزي (CPU) خلال ثوانٍ. الأرقام التي يطبعها تخص هذا المثال فقط.
# 1) استيراد المكتبات
import torch
import torch.nn as nn
import torch.nn.functional as F

torch.manual_seed(0)

# 2) تعريف النموذج
def mlp(i, o, h=64):
    return nn.Sequential(nn.Linear(i, h), nn.LeakyReLU(0.2), nn.Linear(h, h), nn.LeakyReLU(0.2), nn.Linear(h, o))
G_AB, G_BA = mlp(2, 2), mlp(2, 2)          # مولّدان: A→B و B→A
D_A, D_B = mlp(2, 1), mlp(2, 1)            # مميِّزان لكل نطاق

# 3) إعداد البيانات
# نطاقان غير مقترنين (unpaired): A قطعة أفقية، B قطعة رأسية. لا توجد أزواج (a, b) جاهزة إطلاقاً.
def sample_A(n): return torch.stack([torch.rand(n) * 2 - 1, 0.03 * torch.randn(n)], 1)
def sample_B(n): return torch.stack([0.03 * torch.randn(n), torch.rand(n) * 2 - 1], 1)
def dist_to_B(x):                        # المسافة إلى القطعة الرأسية {0}×[-1,1]
    return torch.sqrt(x[:, 0] ** 2 + F.relu(x[:, 1].abs() - 1) ** 2)

# 4) الخسائر: خصومية (LSGAN كما في CycleGAN) + اتساق الدورة بوزن λ
mse, l1, LAMBDA = nn.MSELoss(), nn.L1Loss(), 10.0
opt_g = torch.optim.Adam(list(G_AB.parameters()) + list(G_BA.parameters()), lr=1e-3, betas=(0.5, 0.999))
opt_d = torch.optim.Adam(list(D_A.parameters()) + list(D_B.parameters()), lr=1e-3, betas=(0.5, 0.999))

# 5) حلقة التدريب
STEPS, BATCH = 3000, 256
for step in range(STEPS):
    a, b = sample_A(BATCH), sample_B(BATCH)
    fake_b, fake_a = G_AB(a), G_BA(b)                                        # Forward Pass
    adv = mse(D_B(fake_b), torch.ones(BATCH, 1)) + mse(D_A(fake_a), torch.ones(BATCH, 1))
    cyc = l1(G_BA(fake_b), a) + l1(G_AB(fake_a), b)                          # A→B→A ≈ A و B→A→B ≈ B
    g_loss = adv + LAMBDA * cyc
    opt_g.zero_grad(); g_loss.backward(); opt_g.step()
    d_loss = (mse(D_B(b), torch.ones(BATCH, 1)) + mse(D_B(fake_b.detach()), torch.zeros(BATCH, 1))
              + mse(D_A(a), torch.ones(BATCH, 1)) + mse(D_A(fake_a.detach()), torch.zeros(BATCH, 1))) / 2
    opt_d.zero_grad(); d_loss.backward(); opt_d.step()
    if step % 750 == 0 or step == STEPS - 1:
        print(f"step {step:4d}  adv={adv.item():.3f}  cycle={cyc.item():.4f}  D={d_loss.item():.3f}")

# 6) التقييم: هل تقع الترجمات على نطاق B؟ وهل تُستعاد الأصول بعد الدورة؟
with torch.no_grad():
    a = sample_A(2000); fb = G_AB(a)
    print(f"mean distance of G_AB(a) to domain B = {dist_to_B(fb).mean().item():.4f}  (identity baseline = {dist_to_B(a).mean().item():.4f})")
    print(f"cycle reconstruction error |G_BA(G_AB(a)) - a| = {(G_BA(fb) - a).abs().mean().item():.4f}")
    print(f"spread of translations along B (std of y) = {fb[:, 1].std().item():.3f}  (uniform on [-1,1] = 0.577)")

# 7) الاستدلال: ترجمة نقطة من A
with torch.no_grad():
    p = torch.tensor([[0.5, 0.0]])
    print("a =", p[0].tolist(), "→ G_AB(a) =", [round(v, 3) for v in G_AB(p)[0].tolist()])

نُفّذ هذا الكود بتاريخ 2026-11-20 في 16.6 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

mean distance of G_AB(a) to domain B = 0.0228  (identity baseline = 0.5041)
cycle reconstruction error |G_BA(G_AB(a)) - a| = 0.0120

عدد المعاملات القابلة للتدريب في المثال: G_AB = 4٬482، G_BA = 4٬482، D_A = 4٬417، D_B = 4٬417.

هذه النتائج لبيانات اصطناعية صغيرة وعدد حقب قليل، وتُثبت أن الكود يعمل فقط؛ لا تقارنها بالنتائج المنشورة.

جرّب وتعمّق

معماريات مرتبطة

متوسط2014

الشبكات التنافسية المشروطة

Conditional GAN (cGAN)

امتداد لـ GAN يُمرَّر فيه شرط y (فئة، نص، صورة) إلى المولّد والمميِّز معاً، فيتعلم النموذج التوزيع الشرطي p(x y) ويمكن التحكم بما يُولَّد.

الشبكات التوليدية

متوسط2014

الشبكات التوليدية التنافسية

Generative Adversarial Networks (GAN)

إطار توليدي من شبكتين تتنافسان: مولّد يحوّل ضوضاء عشوائية إلى عينات، ومميِّز يحاول التفريق بين العينات الحقيقية والمولَّدة. يتحسن المولّد حتى يصعب على المميِّز التمييز.

الشبكات التوليدية

متقدم2019

ستايل-جان

StyleGAN

مولّد GAN يحوّل الضوضاء أولاً عبر شبكة تعيين إلى فضاء كامن وسيط w، ثم يحقن "الأسلوب" في كل طبقة من شبكة تبدأ من دخل ثابت، مع حقن ضوضاء للتفاصيل العشوائية، فيعطي تحكماً ب…

الشبكات التوليدية

أفكار بحثية

  • قياس أثر مواءمة CycleGAN بين أجهزة التصوير على أداء نموذج تجزئة وعلى سلامة البنى التشريحية.

اقتراحات للانطلاق وليست فجوات بحثية مؤكدة؛ راجع الأدبيات الحديثة قبل اعتمادها.

اختبر فهمك

  1. مفهوم

    ما وظيفة خسارة اتساق الدورة؟

  2. مفهوم

    كم شبكة يحتوي CycleGAN؟

  3. مفهوم

    متى يُفضل pix2pix على CycleGAN؟

المراجع

  1. Zhu, J.-Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired image-to-image translation using cycle-consistent adversarial networks. IEEE International Conference on Computer Vision (ICCV), 2242–2251. https://doi.org/10.1109/ICCV.2017.244

    DOIarXivتحقق آلي عبر Crossref – 2026-11-20

  2. Isola, P., Zhu, J.-Y., Zhou, T., & Efros, A. A. (2017). Image-to-image translation with conditional adversarial networks. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 5967–5976. https://doi.org/10.1109/CVPR.2017.632

    DOIarXivتحقق آلي عبر Crossref – 2026-11-20

  3. Goodfellow, I. J., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2014). Generative adversarial nets. Advances in Neural Information Processing Systems (NeurIPS) 27. https://arxiv.org/abs/1406.2661

    arXivتحقق آلي عبر OpenAlex/arXiv – 2026-11-20