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

متقدمالشبكات التوليدية

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

الاسمستايل-جان – StyleGAN
سنة الظهور2019
الباحثونTero Karras، Samuli Laine، Timo Aila
الجهةNVIDIA
الورقة الأصليةA style-based generator architecture for generative adversarial networks DOI arXiv
نوع البياناتصور
المجالاتالذكاء الاصطناعي التوليدي، الرؤية الحاسوبية
الكلفة الحسابيةعالية (أيام على عدة GPU للدقات الكبيرة وفق المؤلفين).
حجم البياناتعشرات 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

  1. 2019

    StyleGAN بشبكة تعيين وAdaIN وحقن ضوضاء ومجموعة FFHQ. [مرجع]

  2. 2020

    StyleGAN2 استبدل AdaIN بتعديل الأوزان وإزالة التسوية لإزالة تشوهات "القطرات". [مرجع]

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.

مثال: تثبيت $w$ للطبقات الخشنة (وضعية الوجه) وتغييره للطبقات الدقيقة لتغيير لون الشعر فقط.

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

المكوّنالوظيفة
Mapping network8 طبقات FC في الأصل
Constant input4×4 متعلَّم
AdaIN / Modulated convحقن الأسلوب
Noise injectionتفاصيل عشوائية
Style mixingتنظيم
R1 regularizationللمميِّز

المعادلات

1. AdaIN (StyleGAN)

$$\mathrm{AdaIN}(x_i,y)=y_{s,i}\,\frac{x_i-\mu(x_i)}{\sigma(x_i)}+y_{b,i}$$

الرموز
$x_i$خريطة القناة i
$y_s,y_b$مقياس وإزاحة من w
الأبعاد
نفس شكل x
مثال عددي
$x_i$ بمتوسط 2 وانحراف 0.5، و$y_s=3$ و$y_b=1$: القيمة 2.5 تصبح $3(1)+1=4$.
علاقتها بالمعمارية
يستبدل إحصاءات القناة بالأسلوب.

2. تعديل الأوزان وإزالة التسوية (StyleGAN2)

$$w'_{ijk}=s_i\,w_{ijk},\qquad w''_{ijk}=\frac{w'_{ijk}}{\sqrt{\sum_{i,k}{w'_{ijk}}^{2}+\epsilon}}$$

الرموز
$i,j,k$قناة الدخل، الخرج، الموضع المكاني
$s_i$مقياس الأسلوب
الأبعاد
نفس شكل النواة
مثال عددي
نواة خرج j بقيمتين $(1,1)$ و$s=(2,0)$: $w'=(2,0)$، والتسوية $\sqrt4=2$ فتصبح $(1,0)$.
علاقتها بالمعمارية
يحافظ على تباين الخرج دون تطبيع صريح للتنشيطات.

آلية العمل خطوة بخطوة

  1. حوّل z إلى w.
  2. ابدأ من الدخل الثابت.
  3. طبّق التفافات معدلة بالأسلوب مع ضوضاء ورفع دقة.
  4. أخرج الصورة.
  5. 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

المجالالاستخدام
الذكاء الاصطناعي التوليديوجوه وفن رقمي.
الرؤية الحاسوبيةتحرير 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.

Python (PyTorch)
# 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

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

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

متقدم2020

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…

الشبكات التوليدية

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

  1. مفهوم

    ما وظيفة شبكة التعيين في StyleGAN؟

  2. مفهوم

    لماذا استبدل StyleGAN2 طبقة AdaIN؟

  3. مفهوم

    أي الطبقات تتحكم غالباً بالشكل العام كالوضعية؟

المراجع

  1. 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

    DOIarXivتحقق آلي عبر Crossref – 2026-11-20

  2. 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

    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