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 بمستويات الخشونة والدقة.
نظرة عامة
| الاسم | ستايل-جان – StyleGAN |
|---|---|
| سنة الظهور | 2019 |
| الباحثون | Tero Karras، Samuli Laine، Timo Aila |
| الجهة | NVIDIA |
| الورقة الأصلية | A style-based generator architecture for generative adversarial networks DOI arXiv |
| نوع البيانات | صور |
| المجالات | الذكاء الاصطناعي التوليدي، الرؤية الحاسوبية |
| الكلفة الحسابية | عالية (أيام على عدة GPU للدقات الكبيرة وفق المؤلفين). |
| حجم البيانات | عشرات الآلاف من الصور المتجانسة (FFHQ: 70 ألف وجه). |
المشكلة التي تحلها
في GAN التقليدية تدخل الضوضاء مرة واحدة في البداية، فتتشابك صفات الصورة ويصعب التحكم بها (الوضعية، الهوية، التفاصيل الدقيقة).
الخلفية والتطور
ما قبلها: الشبكات التوليدية التنافسية
الفكرة الأساسية
$z\to w$ عبر MLP. يبدأ المولّد من موتر ثابت متعلَّم 4×4. كل طبقة التفاف تتلقى أسلوباً $s=A(w)$ يقيّس القنوات (AdaIN في الإصدار الأول، وتعديل الأوزان في الثاني). الطبقات المبكرة تتحكم بالشكل العام والمتأخرة بالألوان والتفاصيل. خلط الأساليب (style mixing) يستخدم $w$ مختلفة لطبقات مختلفة.
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.
المكونات
| المكوّن | الوظيفة |
|---|---|
| Mapping network | 8 طبقات FC في الأصل |
| Constant input | 4×4 متعلَّم |
| AdaIN / Modulated conv | حقن الأسلوب |
| Noise injection | تفاصيل عشوائية |
| Style mixing | تنظيم |
| R1 regularization | للمميِّز |
المعادلات
1. AdaIN (StyleGAN)
| $x_i$ | خريطة القناة i |
| $y_s,y_b$ | مقياس وإزاحة من w |
2. تعديل الأوزان وإزالة التسوية (StyleGAN2)
| $i,j,k$ | قناة الدخل، الخرج، الموضع المكاني |
| $s_i$ | مقياس الأسلوب |
آلية العمل خطوة بخطوة
- حوّل z إلى w.
- ابدأ من الدخل الثابت.
- طبّق التفافات معدلة بالأسلوب مع ضوضاء ورفع دقة.
- أخرج الصورة.
- درّب بخسارة غير مشبعة مع R1.
المزايا والقيود
المزايا
- جودة عالية وتحكم بالأساليب على مستويات.
- فضاء w أكثر قابلية للتحرير.
القيود
- تدريب مكلف.
- يحتاج بيانات متجانسة كبيرة.
- مخاطر التزييف العميق (deepfakes).
متى تُستخدم؟ ومتى لا؟
تناسب
- توليد وتحرير صور فئة متجانسة.
لا تناسب
- بيانات متنوعة جداً متعددة الفئات دون تكييف.
- استخدامات قد تضلل الناس.
التطبيقات
| المجال | الاستخدام |
|---|---|
| الذكاء الاصطناعي التوليدي | وجوه وفن رقمي. |
| الرؤية الحاسوبية | تحرير الصور عبر الفضاء الكامن. |
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.
المثال يولد صور 8×8 لبقع غاوسية؛ المقياس هو متوسط المسافة إلى أقرب صورة حقيقية مقارنة بخط أساس ضوضاء منتظمة. ليس FID.
# StyleGAN2 مصغّر: شبكة تعيين، دخل ثابت، التفاف معدّل، حقن ضوضاء، R1
# 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
class MappingNet(nn.Module): # z → w (فضاء كامن وسيط أقل تشابكاً)
def __init__(self, z=16, w=16):
super().__init__()
self.net = nn.Sequential(nn.Linear(z, w), nn.LeakyReLU(0.2), nn.Linear(w, w), nn.LeakyReLU(0.2), nn.Linear(w, w))
def forward(self, z):
return self.net(F.normalize(z, dim=1) * z.shape[1] ** 0.5)
class ModConv(nn.Module):
"""التفاف مُعدَّل (StyleGAN2): الأسلوب s يقيّس قنوات الدخل في الأوزان ثم تُزال التسوية (demodulation)."""
def __init__(self, cin, cout, w_dim, k=3, demod=True):
super().__init__()
self.weight = nn.Parameter(torch.randn(cout, cin, k, k))
self.affine = nn.Linear(w_dim, cin); nn.init.ones_(self.affine.bias)
self.demod, self.pad = demod, k // 2
def forward(self, x, w):
B, C, H, W = x.shape
s = self.affine(w) # B×cin
wt = self.weight[None] * s[:, None, :, None, None] # B×cout×cin×k×k
if self.demod:
wt = wt * torch.rsqrt((wt ** 2).sum((2, 3, 4), keepdim=True) + 1e-8)
out = F.conv2d(x.reshape(1, B * C, H, W), wt.reshape(-1, C, *wt.shape[3:]), padding=self.pad, groups=B) # التفاف مجمّع لكل عينة
return out.view(B, -1, H, W)
class StyleGenerator(nn.Module):
def __init__(self, z=16, w=16, ch=32):
super().__init__()
self.z_dim, self.mapping = z, MappingNet(z, w)
self.const = nn.Parameter(torch.randn(1, ch, 4, 4)) # دخل ثابت متعلَّم بدل z
self.conv1, self.conv2 = ModConv(ch, ch, w), ModConv(ch, ch, w)
self.noise_strength = nn.Parameter(torch.zeros(2)) # حقن ضوضاء لكل طبقة
self.to_img = ModConv(ch, 1, w, k=1, demod=False)
def forward(self, z, w=None):
w = self.mapping(z) if w is None else w
x = self.const.expand(len(w), -1, -1, -1)
x = F.leaky_relu(self.conv1(x, w) + self.noise_strength[0] * torch.randn(len(w), 1, 4, 4), 0.2)
x = F.interpolate(x, scale_factor=2, mode='bilinear', align_corners=False) # 4×4 → 8×8
x = F.leaky_relu(self.conv2(x, w) + self.noise_strength[1] * torch.randn(len(w), 1, 8, 8), 0.2)
return torch.sigmoid(self.to_img(x, w))
D_net = nn.Sequential(nn.Conv2d(1, 32, 3, 1, 1), nn.LeakyReLU(0.2), nn.Conv2d(32, 64, 4, 2, 1), nn.LeakyReLU(0.2), nn.Flatten(), nn.Linear(64 * 16, 1))
# 3) إعداد البيانات
# صور 8×8 لبقعة غاوسية بموضع ونصف قطر عشوائيين (قيم في [0,1])
def blobs(n, side=None):
g = torch.arange(8).float()
cx = torch.rand(n) * 5 + 1.5
if side is not None: # side: 0 = نصف أيسر، 1 = نصف أيمن
cx = torch.where(side == 0, torch.rand(n) * 2 + 1, torch.rand(n) * 2 + 5)
cy, r = torch.rand(n) * 5 + 1.5, torch.rand(n) * 0.8 + 0.8
img = torch.exp(-((g[None, None, :] - cx[:, None, None]) ** 2 + (g[None, :, None] - cy[:, None, None]) ** 2) / (2 * r[:, None, None] ** 2))
return img[:, None] # B×1×8×8
X_train = blobs(4000)
# 4) خسارة GAN غير المشبعة + تنظيم R1 للمميِّز (كما في StyleGAN)
G = StyleGenerator()
opt_g = torch.optim.Adam(G.parameters(), lr=2e-3, betas=(0.0, 0.99))
opt_d = torch.optim.Adam(D_net.parameters(), lr=2e-3, betas=(0.0, 0.99))
GAMMA = 1.0
# 5) حلقة التدريب
STEPS, BATCH = 1500, 64
for step in range(STEPS):
real = X_train[torch.randint(0, len(X_train), (BATCH,))].requires_grad_(True)
fake = G(torch.randn(BATCH, G.z_dim)) # Forward Pass
d_real = D_net(real)
d_loss = F.softplus(-d_real).mean() + F.softplus(D_net(fake.detach())).mean()
if step % 4 == 0: # R1 كسول (lazy) كل 4 خطوات
g, = torch.autograd.grad(d_real.sum(), real, create_graph=True)
d_loss = d_loss + GAMMA / 2 * g.pow(2).sum((1, 2, 3)).mean() * 4
opt_d.zero_grad(); d_loss.backward(); opt_d.step()
g_loss = F.softplus(-D_net(fake)).mean()
opt_g.zero_grad(); g_loss.backward(); opt_g.step()
if step % 375 == 0 or step == STEPS - 1:
print(f"step {step:4d} D_loss={d_loss.item():.3f} G_loss={g_loss.item():.3f}")
# 6) التقييم: أقرب صورة حقيقية لكل صورة مولَّدة (جودة) ومدى انتشار مواضع البقع (تنوع)
def peak(x):
i = x.flatten(1).argmax(1); return torch.stack([i // 8, i % 8], 1).float()
with torch.no_grad():
fake = G(torch.randn(500, G.z_dim))
bank = blobs(5000)
nn_dist = torch.cdist(fake.flatten(1), bank.flatten(1)).min(1).values.mean().item()
noise_dist = torch.cdist(torch.rand(500, 64), bank.flatten(1)).min(1).values.mean().item()
print(f"mean L2 distance to nearest real blob = {nn_dist:.3f} (uniform-noise baseline = {noise_dist:.3f})")
print(f"std of peak positions: generated = {peak(fake).std(0).mean().item():.2f}, real = {peak(bank).std(0).mean().item():.2f}")
# 7) الاستدلال: مزج الأساليب في فضاء w (استيفاء خطي بين صورتين)
with torch.no_grad():
ws = G.mapping(torch.randn(64, G.z_dim)); pk = peak(G(None, ws))
i, j = divmod(torch.cdist(pk, pk).argmax().item(), 64) # صورتان ببقعتين متباعدتين
w1, w2 = ws[i:i + 1], ws[j:j + 1]
for a in (0.0, 0.25, 0.5, 0.75, 1.0):
img = G(None, (1 - a) * w1 + a * w2)[0, 0]
print(f"alpha={a:.2f}: peak at", divmod(img.argmax().item(), 8))
نُفّذ هذا الكود بتاريخ 2026-11-20 في 33.7 ثانية (PyTorch (CPU), Python 3 – local build machine).
من مخرجاته:
mean L2 distance to nearest real blob = 0.239 (uniform-noise baseline = 3.584)
عدد المعاملات القابلة للتدريب في المثال: D_net = 34٬177، G = 21٬426.
هذه النتائج لبيانات اصطناعية صغيرة وعدد حقب قليل، وتُثبت أن الكود يعمل فقط؛ لا تقارنها بالنتائج المنشورة.
جرّب وتعمّق
معماريات مرتبطة
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 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.
نماذج الانتشار
Diffusion Models (DDPM)
تفسد البيانات تدريجياً بإضافة ضوضاء غاوسية عبر T خطوة، ثم تتعلم شبكة عكس هذه العملية بالتنبؤ بالضوضاء المضافة، فيُولَّد مثال جديد بإزالة الضوضاء خطوة بخطوة بدءاً من ضوضا…
لا توجد نتائج مطابقة للمرشحات.
أفكار بحثية
- استخدام الفضاء w لتوليد أمثلة مضادة (counterfactuals) تفسيرية لمصنفات الصور الطبية.
اقتراحات للانطلاق وليست فجوات بحثية مؤكدة؛ راجع الأدبيات الحديثة قبل اعتمادها.
اختبر فهمك
ما وظيفة شبكة التعيين في StyleGAN؟
لماذا؟ تفصل توزيع الكامن عن توزيع بيانات التدريب.
لماذا استبدل StyleGAN2 طبقة AdaIN؟
لماذا؟ استخدم تعديل الأوزان وإزالة التسوية.
أي الطبقات تتحكم غالباً بالشكل العام كالوضعية؟
لماذا؟ المتأخرة تتحكم بالتفاصيل الدقيقة.
المراجع
Karras, T., Laine, S., & Aila, T. (2019). A style-based generator architecture for generative adversarial networks. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 4396–4405. https://doi.org/10.1109/CVPR.2019.00453
Karras, T., Laine, S., Aittala, M., Hellsten, J., Lehtinen, J., & Aila, T. (2020). Analyzing and improving the image quality of StyleGAN. IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 8107–8116. https://doi.org/10.1109/CVPR42600.2020.00813
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
