Depth Anything: إطلاق قوة البيانات غير الموسومة واسعة النطاق

تقدير العمق من صورة واحدة يطرح سؤالاً يبدو بسيطاً لكنه صعب حقاً: أعطني صورة فوتوغرافية واحدة وأخبرني كم يبعد كل بكسل فيها عن الكاميرا. في الرؤية المجسَّمة لدينا كاميرتان نستطيع من خلالهما تثليث المسافة، لكن هنا نعمل بزاوية رؤية واحدة فقط — تماماً كما يُقدّر الإنسان العمق حين ينظر إلى لوحة مسطّحة.

قبل Depth Anything، كانت النماذج السائدة مثل MiDaS تعتمد على بيانات موسومة جُمعت من مستشعرات LiDAR ومنظومات مجسَّمة وخوارزميات بنية من الحركة. هذه المصادر مُكلفة ومحدودة التنوّع ويصعب توسيعها. MiDaS v3.1 وصل إلى نحو 1.5 مليون صورة موسومة من 12 مجموعة بيانات — رقم لا بأس به لكنه لا يُمثّل إلا شريحة ضيّقة من العالم البصري. فحين يواجه النموذج ضباباً أو إضاءة ضعيفة أو تخطيطاً داخلياً غير مألوف، ينهار أداؤه.

الفكرة الجوهرية في Depth Anything هي أن الصور الأحادية غير الموسومة موجودة بالمليارات على الإنترنت، تُغطّي كل مشهد يمكن تخيّله، ولا تحتاج أي مستشعر خاص. التحدّي ليس في توفّرها بل في كيفية الاستفادة منها.

العملية تمرّ بمرحلتين. في الأولى نُدرِّب نموذج معلّم على 1.5 مليون صورة موسومة من ست مجموعات بيانات عامة (BlendedMVS وDIML وHRWSI وIRS وMegaDepth وTartanAir). المُرمِّز يبدأ من أوزان DINOv2 المُدرَّبة مسبقاً ليستخلص سمات بصرية قوية منذ البداية. ونستخدم خسارة ثابتة تحت التحويل التآلفي تُحاذي مقياس كل تنبؤ وانزياحه مع القيمة الحقيقية — وهذا ضروري لأن كل مجموعة بيانات تقيس العمق بوحدات مختلفة.

في المرحلة الثانية، نأخذ هذا المعلّم ونُمرّر عبره 62 مليون صورة غير موسومة جُمعت من ثماني مجموعات ضخمة: SA-1B وOpen Images وBDD100K وImageNet-21K وLSUN وObjects365 وPlaces365 وGoogle Landmarks. كل صورة تدخل المعلّم فيُخرج لها خريطة عمق كثيفة — هذه هي التوسيمات الزائفة. تمريرة أمامية واحدة لكل صورة، بلا حاجة إلى مطابقة مجسَّمة أو إعادة بناء ثلاثي الأبعاد.

النتيجة النهائية مجموعة تدريب موحَّدة تجمع بين صور موسومة وأخرى بتوسيمات زائفة، تُغطّي مشاهد داخلية وخارجية وقيادة وجوّية وفنية. هذا التنوّع الواسع هو ما يمنح النموذج قدرته على التعميم.

المشكلة هنا عملية بحتة: كل مجموعة بيانات تقيس العمق بطريقتها. مجموعة LiDAR تُعطيك أمتاراً، ومجموعة اصطناعية تُعطيك وحدات اعتباطية. لو دمجت هذه المجموعات مباشرةً لَخلطت بين مقاييس مختلفة تماماً. لذلك نحتاج دالة خسارة تتجاهل المقياس المطلق وتُركّز على الترتيب النسبي لقيم العمق فقط.

الحل بسيط: قبل حساب الخطأ، نُسوّي كلاً من التنبؤ والقيمة الحقيقية بطرح الوسيط ثم القسمة على متوسط الانحراف المطلق. بهذه الطريقة لا يهمّ ما إذا كانت القيم بالأمتار أو بوحدات عشوائية — المهم هو شكل خريطة العمق: أيّ البكسلات أقرب وأيّها أبعد.

هنا النقطة الأهم في الورقة. حين جرّب المؤلفون الطريقة المباشرة — جمعوا الصور الموسومة مع الصور ذات التوسيمات الزائفة ودرّبوا طالباً عليها — لم يتحسّن شيء على الإطلاق. السبب أن المعلّم والطالب يشتركان في التدريب المُسبَق والبنية نفسها، فالطالب يُعيد إنتاج ما يعرفه المعلّم أصلاً دون تعلّم جديد.

الحل جاء عكس المتوقّع: اجعل المهمة أصعب على الطالب. أثناء التدريب على الصور غير الموسومة، يتلقّى الطالب نُسخاً مُشوَّهة بقوة: تشويه ألوان حاد، وضبابية غاوسية، وCutMix (رُقَع مستطيلة تُبدَّل عشوائياً بين صورتين). في المقابل، توسيمات المعلّم مأخوذة من الصور النظيفة الأصلية. أي أن الطالب يرى صورة تالفة ويُطلب منه استعادة العمق كما لو كانت سليمة.

الأمر يُشبه عازفاً يتمرّن على إيقاع أسرع من المطلوب — الصعوبة تُنمّي مهارات لا تظهر مع التكرار المريح. الطالب يُجبَر على التقاط إشارات بصرية ثابتة — حواف وأنسجة وعلاقات مكانية — تبقى صالحة رغم التشويه، فيبني تمثيلات تتمتع بقدرة تعميم أعلى بكثير.

CutMix تقنية مُستعارة من عالم التصنيف: نأخذ رقعة مستطيلة من صورة ونلصقها فوق صورة أخرى. Depth Anything يُكيِّفها لتقدير العمق. الفكرة أننا نأخذ منطقة عشوائية من صورة غير موسومة ونضعها فوق صورة ثانية، فنحصل على صورة مُركَّبة $u_{ab}$. الطالب يُطلب منه تقدير العمق للصورة كلها، لكننا نحسب الخسارة لكل منطقة مستقلةً — كل جزء يُقارَن بـالتوسيمة الزائفة الخاصة بصورته الأصلية.

رياضياً، الصورة المُركَّبة هي $u_{ab} = u_a \odot M + u_b \odot (1-M)$ حيث $M$ قناع ثنائي يحدّد المنطقة المُستبدَلة. نحسب الخسارة في كل منطقة بتسويتها التآلفية الخاصة، لأن الصورتين الأصليتين قد يكون لهما توزيعات عمق مختلفة كلياً:

ثمة علاقة وثيقة بين العمق والفهم الدلالي. حين يعرف النموذج أن منطقة في الصورة هي «سماء» فهو يعلم أنها بعيدة جداً، وحين يعرف أنها «طاولة» يستطيع تقييد العمق المحتمل. حاولت أعمال سابقة إضافة مهمة تقطيع دلالي مساعدة، لكنها فشلت حين كان نموذج العمق قوياً بالفعل — لأن ضغط سمات بصرية غنية في مجموعة صغيرة من الفئات المنفصلة يُضيّع كمّاً كبيراً من المعلومات.

الحل الذي اعتمده المؤلفون أذكى: بدلاً من التنبؤ بفئات، نُحاذي فضاء سمات الطالب مباشرةً مع فضاء سمات DINOv2 الغني والمتّصل. DINOv2 يتمتّع بقدرات دلالية استثنائية حتى مع تجميد أوزانه. وكل ما نحتاجه هو خسارة تشابه جيب التمام بسيطة تسحب فضاءي السمات نحو بعضهما:

الآن نجمع كل شيء. دالة الخسارة النهائية هي مجموع ثلاث خسائر، لكل منها دور واضح. الأولى $\mathcal{L}_l$ تتعلّم العمق من البيانات الموسومة ذات القيم الحقيقية. الثانية $\mathcal{L}_u$ توسّع تغطية النموذج إلى ملايين المشاهد عبر التوسيمات الزائفة والتشويهات القوية. والثالثة $\mathcal{L}_{feat}$ تنقل الفهم الدلالي من DINOv2 عبر محاذاة السمات.

البنية مباشرة: مُرمِّز DINOv2 يليه مفكّك DPT (التنبؤ الكثيف بالمحوّلات)، على غرار ما فعله MiDaS. المُرمِّز يستخلص سمات على مقاييس متعدّدة عبر محوّل الرؤية، والمفكّك يدمج هذه السمات من طبقات مختلفة ليُنتج خريطة عمق بدقة الصورة الأصلية.

النموذج متوفّر بثلاثة أحجام: ViT-S (24.8 مليون معامل)، وViT-B (97.5 مليون)، وViT-L (335.3 مليون). اللافت أن ViT-S الصغير — أقل من عُشر حجم MiDaS — يتفوّق عليه في عدة معايير. وViT-B يتخطّى MiDaS ViT-L بفارق واضح. هذه نتيجة بليغة: إستراتيجية التدريب أهم من حجم النموذج.

من ناحية التنفيذ: الصور تُصغَّر بحيث يصبح ضلعها الأقصر 518 بكسلاً وتُقتَص إلى 518 × 518 أثناء التدريب. معدّل التعلّم للمُرمِّز هو 5e-6 وللمفكّك أعلى بعشر مرات. في كل دفعة تكون نسبة الصور الموسومة إلى غير الموسومة 1:2. والمعلّم يستخدم دائماً مُرمِّز ViT-L للحصول على أعلى جودة في التوسيم، حتى لو كان الطالب أصغر حجماً.

العمق النسبي بدون أمثلة. Depth Anything ViT-L يتفوّق على MiDaS ViT-L في المعايير الستة جميعها (KITTI وNYUv2 وSintel وDDAD وETH3D وDIODE). على KITTI مثلاً، خطأ AbsRel ينخفض من 0.127 إلى 0.076 ودقة $\delta_1$ ترتفع من 0.850 إلى 0.947 — والمفارقة أن MiDaS تدرّب فعلاً على بيانات KITTI بينما Depth Anything لم يرَها قطّ.

العمق المتري. حين نأخذ مُرمِّز Depth Anything ونضبطه بدقة لتقدير العمق المتري باستخدام إطار ZoeDepth، نحصل على أرقام قياسية على NYUv2 ($\delta_1$: 0.964 ← 0.984) وKITTI ($\delta_1$: 0.978 ← 0.982). والمكاسب تنتقل أيضاً إلى مجموعات بيانات جديدة لم يُتدرَّب عليها.

التقطيع الدلالي. المُرمِّز يُحسّن أداء التقطيع الدلالي أيضاً: 86.2 mIoU على Cityscapes (مقابل 84.6 لـConvNeXt-XL) و59.4 mIoU على ADE20K (مقابل 58.3 لـViT-Adapter مع BEiT-L). هذا يُؤكّد أن المُرمِّز الناتج يصلح كـعمود فقري عام متعدّد المهام للإدراك البصري على المستويين المتوسط والعالي.

تجارب الاستئصال ترسم صورة واضحة. لو بدأنا بالتدريب على البيانات الموسومة فقط نحصل على خطأ AbsRel يساوي 0.085 على KITTI. بإضافة صور غير موسومة بدون تشويهات يبقى الرقم عند 0.085 — لا فائدة تُذكر. لكن حين نُضيف التشويهات القوية ينخفض الخطأ إلى 0.081 — هنا بدأت البيانات غير الموسومة تُسهم فعلاً. وبإضافة خسارة محاذاة السمات يهبط إلى 0.076، أي تحسّن نسبي بنحو 10.6%. والنمط نفسه يتكرّر على المعايير الستة كلها.

هامش التسامح $\alpha$ له أثر ملموس. بدونه ($\alpha = 1.0$، محاذاة كاملة) يبلغ متوسط AbsRel عبر المعايير 0.188. مع $\alpha = 0.85$ يهبط إلى 0.175. الدرس واضح: المحاذاة العمياء تُضرّ بقدرة النموذج على التمييز بين أجزاء الجسم الواحد ذات الأعماق المختلفة.

نتيجة لافتة أيضاً: تطبيق محاذاة السمات على البيانات غير الموسومة فقط يُعطي نتائج أفضل من تطبيقها على الموسومة. المنطق أن البيانات الموسومة تحمل قيماً حقيقية دقيقة، فالخسارة الدلالية قد تتعارض مع التعلّم منها. أما في البيانات ذات التوسيمات الزائفة، فالقيد الدلالي يُعوِّض ضجيج التوسيمات ويُضيف معرفة مفيدة في الوقت نفسه.