💻 computer science

Color Conditional Generation with Sliced Wasserstein Guidance

تقدم الورقة البحثية SW-Guidance، وهي طريقة خالية من التدريب تعمل على تعزيز توليد الصور المشروط باللون عبر تعديل عملية أخذ عينات الانتشار باستخدام مسافة "سلايسد وارس ${{st}}$ " (Sliced Wasserstein distance) لضمان مطابقة الصور المولدة للوحة ألوان مرجعية وفي الوقت ذاته الحفاظ على التماسك الدلالي مع النص الموجه.

المؤلفون الأصليون: Alexander Lobashev, Maria Larchenko, Dmitry Guskov

نُشر 2026-05-04

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Alexander Lobashev, Maria Larchenko, Dmitry Guskov

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك فنان تحاول رسم لوحة بناءً على وصف مثل "قطة تجلس على سجادة". لديك خيال واسع، لكنك تعاني مع الألوان. تريد أن تكون القطة بدرجة محددة من "الأزرق الليلي"، وأن تكون السجادة بلون "البرتقالي المحروق"، ولكن عندما تطلب من مساعد الذكاء الاصطعي رسمها، تنتهي القطة بلون رمادي عشوائي وتتحول السجادة إلى لون بني طيني.

قد تفكر قائلًا: "حسناً، سآخذ الصورة التي صنعها الذكاء الاصطناعي وأعيد الرسم فوقها لأطابق الألوان التي أريدها". ولكن هنا تكمن المشكلة: إذا حاولت فرض الألوان لتتطابق فحسب، فقد يرتبك الذكاء الاصطناعي. قد يحول فراء القطة إلى نسيج أزرق يشبه الماء، أو يجعل السجادة تبدو كحقل من الزهور البرتقالية. الألوان ستكون صحيحة، لكن "جوهر" الأشياء سيضيع.

هذه هي المشكلة التي تحاول ورقة البحث بعنوان "التوليد المشروط بالألوان باستخدام توجيه وايسرتاين المقطع" (أو SW-Guidance) حلها.

المشكلة: "الأسلوب" مقابل "اللون"

أدوات فن الذكاء الاصطناعي الحالية بارعة في اتباع التعليمات، لكنها سيئة جداً في وصف ألوان محددة. إذا قلت "فيروزي"، فقد يعطيك الذكاء الاصطناعي أي شيء من الأزرق الفاتح إلى الأخضر. وإذا حاولت إصلاح ذلك عبر أخذ صورة مرجعية (مثل صورة لغروب الشمس) وإجبار الذكاء الاصطناعي على نسخ ألوانها، فإن الطرق القديمة غالباً ما تنسخ كل شيء من تلك الصورة. قد ينسخون سحب الغروب، أو ملمس الرمال، أو طريقة سقوط الضوء على الماء، حتى لو كنت تريد الألوان فقط.

الحل: "فلتر ألوان" لا يلطخ الصورة

ابتكر المؤلفون طريقة جديدة تسمى SW-Guidance. فكر فيها كأنها فلتر ذكي وغير مرئي يجلس داخل عقل الذكاء الاصطناعي أثناء رسمه.

إليك كيف يعمل، باستخدام تشبيه بسيط:

1. النهج "المقطع" (تشبيه رغيف الخبز)
تخيل أن لديك رغيفين من الخبز. أحدهما هو رسم الذكاء الاصطناعي الحالي، والآخر هو صورتك المرجعية (التي تحتوي على الألوان المثالية التي تريدها).

الطرق القديمة حاولت مقارنة الأرغفة الكاملة دفعة واحدة. هذا أمر فوضوي وغالباً ما يؤدي إلى نسخ الذكاء الاصطناعي لأشياء خاطئة (مثل ملمس القشرة الخارجية).
SW-Guidance يأخذ سكيناً ويقطع كلا الرغيفين إلى شرائح رقيقة. إنه يقارن توزيع الألوان لكل "شريحة" فقط في كل مرة. يفعل ذلك من زوايا مختلفة عديدة (مثل تقطيع الخبز رأسياً، وأفقياً، وقطرياً).
من خلال النظر إلى هذه "الشرائح" (التي تسميها الورقة البحثية مسافة وايسرتاين المقطعة - Sliced Wasserstein distance)، يمكن للذكاء الاصطناعي رؤية كيفية توزيع الألوان بدقة دون أن يرتبك بسبب الأشكال أو الملامس. الأمر يشبه التحقق مما إذا كان "طعم" الخبز متطابقاً، بدلاً من التحقق مما إذا كان "ملمس القشرة" يبدو متشابهاً.

2. "التوجيه" (تشبيه نظام GPS)
بينما يرسم الذكاء الاصطناعي الصورة خطوة بخطوة (بدءاً من الضجيج الساكن وظهور الصورة تدريجياً)، يعمل هذا الأسلوب كجهاز تحديد مواقع (GPS).

كل بضع خطوات، يتحقق الـ GPS: "هل لوحة ألوان هذا الرسم تقترب من الصورة المرجعية؟"
إذا انحرف الذكاء الاصطناعي عن المسار (على سبيل المثال، جعل السماء تميل للخضرة)، يقوم هذا النظام بدفع الرسم بلطف للعودة نحو توزيع الألوان الصحيح.
والأهم من ذلك، أنه يوجه الألوان فقط. هو لا يخبر الذكاء الاصطناعي بتغيير القطة إلى كلب أو السجادة إلى غابة. إنه يحافظ على "ماهية القطة" و"ماهية السجادة" مع إصلاح الطلاء فقط.

لماذا هذا الأمر مميز؟

يدعي البحث أن هذه الطريقة لا تتطلب تدريباً (training-free). وهذا يعني أنك لست بحاجة لتعليم الذكاء الاصطناعي لغة جديدة أو إظهار آلاف الأمثلة لـ "قطط زرقاء". أنت فقط تعطيه النص الوصفي والصورة المرجعية، وتقوم الرياضيات بالباقي.

النتائج:

تطابق أفضل للألوان: الألوان في الصورة النهائية أقرب بكثير إلى الصورة المرجعية مقارنة بالطرق الأخرى.
عدم النسخ غير المرغوب فيه: على عكس الطرق الأخرى التي قد تنسخ بالخطأ "روح" أو ملمس الصورة المرجعية (مثل نسخ أسلوب ضربات الفرشاة)، فإن هذه الطريقة تنسخ الألوان فقط.
الالتزام بالنص الوصفي: تظل الصورة تبدو تماماً كما طلبت في وصفك النصي (مثل قطة على سجادة)، وليس نسخة من الصورة المرجعية.

باختصار

بنى المؤلفون أداة تسمح لك بأن تقول: "ارسم لي قطة، ولكن استخدم لوحة الألوان الدقيقة من هذه الصورة لغروب الشمس"، دون أن يحول الذكاء الاصطناعي القطة إلى غروب شمس أو ينسخ السحب. يفعل ذلك من خلال "تقطيع" المعلومات اللونية رياضياً وتوجيه الذكاء الاصطناعي لمطابقة هذه الشرائح بدقة، مما يضمن صحة الألوان دون إفساد الصورة.

إليك ملخص تقني مفصل لورقة البحث بعنوان "التوليد المشروط بالألوان باستخدام توجيه وايسرتاين المقطع" (Color Conditional Generation with Sliced Wasserstein Guidance).

1. بيان المشكلة

تعالج الورقة تحدي التوليد الصوري المشروط باللون في نماذج الانتشار (diffusion models) القائمة على النصوص. فبينما يمكن للأوامر اللغوية الطبيعية وصف الأشياء والمشاهد، إلا أنها غالبًا ما تكون غير دقيقة في تحديد لوحات الألوان بدقة (على سبيل المثال، عبارة "أزرق فيروزي" قد تعطي درجات متفاوتة). تواجه الحلول الحالية عائقين رئيسيين:

نقل اللون في مرحلة ما بعد المعالجة (Post-processing Color Transfer): إن تطبيق خوارزميات نقل الألوان (مثل WCT أو مطابقة المدرج التكراري/Histogram Matching) على الصور المولدة بواسطة نماذج الانتشار غالبًا ما يؤدي إلى عدم تطابق دلالي (semantic mismatches). حيث يتم نقل النمط اللوني، ولكن المحتوى الأساسي قد يتشوه، أو قد لا تتوافق الألوان دلاليًا مع الكائنات المولدة.
التوليد الأسلوبي (Stylized Generation): الطرق التي تعدل آليات الانتباه أو الأوزان (مثل IP-Adapter أو InstantStyle) للتحكم في الأسلوب غالبًا ما تدمج اللون مع سمات أسلوبية أخرى (مثل الملمس، ضربات الفرشاة، والتكوين). وهذا يجعل من الصعب التحكم في اللون بشكل مستقل دون نقل ميزات عالية المستوى غير مرغوب فيها من الصورة المرجعية.

الهدف هو توليد صورة تلتزم بصرامة بـ لوحة ألوان مرجعية مع الحفاظ على المحتوى الدلالي الذي يمليه النص وتجنب نقل العناصر الأسلوبية غير المتعلقة باللون.

2. المنهجية: توجيه SW (SW-Guidance)

يقترح المؤلفون SW-Guidance، وهو نهج خالٍ من التدريب (training-free) يقوم بتعديل عملية أخذ العينات (sampling) لنموذج الانتشار. وبدلاً من ضبط الأوزان (fine-tuning) أو استخدام محولات الانتباه، فإنه يوجه مسار إزالة الضجيج (denoising trajectory) باستخدام دالة خسارة قابلة للتفاضل تعتمد على مسافة وايسرتاين المقطعة 1 (Sliced 1-Wasserstein distance).

الآلية الجوهرية

تعمل الطريقة ضمن عملية الانتشار العكسي (تحديدًا باستخدام جداول زمنية من نوع DDIM). عند كل خطوة زمنية $t$ ، تقوم الخوارزمية بخطوة تحسين لإزاحة التمثيل الكامن (latent representation) نحو توزيع اللون المرجعي.

التنبؤ الكامن (Latent Prediction): بالنظر إلى تمثيل كامن مشوش $x_t$ ، يتنبأ النموذج بتمثيل كامن نظيف $\hat{x}_0$ . يتم فك تشفير هذا التمثيل إلى صورة $\hat{y}_0$ .
استخراج توزيع الألوان: يتم استخراج توزيع الألوان للصورة المولدة ( $\pi_{\hat{y}_0}$ ) والصورة المرجعية ( $\pi_{ref}$ ) في فضاء RGB.
خسارة وايسرتاين المقطعة (Sliced Wasserstein Loss): تحسب الخوارزمية مسافة وايسرتاين المقطعة 1 بين هذين التوزيعين.
- لماذا "مقطعة" (Sliced)؟ مسافة وايسرتاين القياسية مكلفة حاسوبيًا وغير قابلة للتفاضل في الأبعاد العالية. تقلل طريقة "الوايسرتاين المقطعة" المشكلة إلى إسقاطات أحادية البعد، حيث يسهل حساب المسافة وتكون قابلة للتفاضل.
- لما لماذا "وايسرتاين 1" (1-Wasserstein)؟ يستخدم المؤلفون مقترحًا نظريًا (المقترح 1) ينص على أنه بالنسبة للتوزيعات أحادية البعد، يمكن حساب مسافة وايسرتاين 1 كمسافة $L_1$ بين دوال التوزيع التراكمي (CDFs)، مما يجنبنا الحاجة لحساب الدوال التراكمية العكسية (دوال الكمية).
- القابلية للتفاضل: يتم تقريب دالة التوزيع التراكمي (CDF) عن طريق فرز قيم البكسل، وهي عملية قابلة للتفاضل، مما يسمح بانتقال الاشتقاقات (gradients) عائدًا إلى الفضاء الكامن.
التوجيه القائم على الاشتقاق (Gradient-Based Guidance): يتم إضافة متجه تحكم مساعد $u$ إلى التمثيل الكامن $x_t$ . تقوم الخوارزمية بتحسين $u$ عبر $M$ من الخطوات الداخلية لتقليل مسافة SW:
$\min_u \text{SW}_1(\pi_{\hat{y}_0(x_t+u)}, \pi_{ref})$
تحديث أخذ العينات (Sampling Update): يتم تطبيق الإزاحة المُحسنة $u^*$ على التمثيل الكامن، ثم تستمر خطوة إزالة الضجيج القياسية (مع توجيه التصنيف المجاني/classifier-free guidance) إلى $t-1$ .

التبرير النظري

تقدم الورقة براهين نظرية (التمهيدية 2) تظهر أن تقليل مسافة وايسرتاين المقطعة يضمن التقارب الضعيف (weak convergence) لتوزيع الألوان المولد نحو التوزيع المرجعي، بما في ذلك تقارب جميع العزوم (المتوسط، التباين، إلخ).

3. المساهمات الرئيسية

آلية شرطية مبتكرة: أول دمج لمسافة وايسرتاين المقطعة القابلة للتفاضل في شروط نماذج الانتشار للتحكم في اللون.
فك الارتباط بين اللون والأسلوب: تنجح الطريقة في نقل لوحة الألوان فقط، متجنبة نقل الملامس أو ضربات الفرشاة أو التكوين الموجودة في الصورة المرجعية (على عكس طرق التنميط القائمة على الانتباه).
خالٍ من التدريب (Training-Free): لا يتطلب النهج أي ضبط دقيق لأوزان نموذج الانتشار، مما يجعله قابلًا للتطبيق على أي نموذج انتشار كامن مسبق التدريب (مثل SD1.5 و SDXL).
الأساس النظري: يوفر براهين لخصائص التقارب لعملية التحسين وكفاءة استخدام مسافة وايسرتاين 1 عبر فروق دوال التوزيع التراكمي (CDF).

4. النتائج التجريبية

تم تقييم الطريقة على SD1.5 و SDXL باستخدام مجموعة بيانات ContraStyles (1000 أمر نصي) و Unsplash Lite (1000 صورة مرجعية).

المقاييس الكمية

تشابه الألوان: تم قياسه بواسطة مسافة وايسرتاين 2 بين توزيعات الألوان المولدة والمرجعية.
- النتيجة: حققت SW-Guidance أدنى مسافة (0.0297) مقارنة بجميع النماذج المرجعية، بما في ذلك خوارزميات نقل الألوان المتقدمة (مثل PhotoWCT2: 0.1028) وطرق التنميط (مثل InstantStyle: 0.1758).
دقة المحتوى (Content Fidelity): تم قياسها بواسطة CLIP-T (التشابه بين الأمر النصي والصورة).
- النتيجة: حققت SW-Guidance أعلى درجة CLIP-T (0.270) بين طرق التوليد الأسلوبي، مما يشير إلى أنها تتبع الأمر النصي بشكل أفضل من الطرق التي تدمج الأسلوب والمحتوى.
جودة الصورة: تم قياسها بواسطة CLIP-IQA.
- النتيجة: حافظت SW-Guidance على جودة عالية (0.285)، حيث جاءت في المرتبة الثانية بعد التوليد غير المشروط مباشرة، متفوقة بشكل كبير على العديد من نماذج نقل الأسلوب المرجعية.

التحليل النوعي

المقارنة البصرية: تظهر الأمثلة المرئية أنه بينما تنقل طرق مثل InstantStyle "الجو العام" (مثل ضربات الفرشاة، الواقعية الفوتوغرافية) جنبًا إلى جنب مع الألوان، فإن SW-Guidance تلتزم بصرامة بلوحة الألوان مع الحفاظ على التكوين الأصلي وملمس الصورة المولدة.
التوافق: الطريقة متوافقة مع أدوات ControlNet (مثل Canny و Depth)، مما يسمح بالتحكم في التخطيط (layout) جنبًا إلى جنب مع شرط اللون.

5. الأهمية والقيود

الأهمية:

التحكم الدقيق: تحل مشكلة "تسمية الألوان" في الفن بالذكاء الاصطناعي، مما يسمح للمستخدمين بتعريف لوحة ألوان عبر صورة مرجعية بدلاً من الأوصاف النصية الغامضة.
النمطية (Modularity): تقدم فصلًا واضحًا بين توليد المحتوى (الأمر النصي)، والتخطيط (ControlNet)، واللون (SW-Guidance)، وهو أمر يصعب تحقيقه مع نماذج نقل الأسلوب أحادية الكتلة الحالية.
الكفاءة: تضيف عبئًا حاسوبيًا ضئيلاً (حوالي 30 ثانية لـ SD1.5 على بطاقة RTX 4090) مقارنة بالطرق القائمة على التدريب أو عمليات المعالجة اللاحقة المعقدة.

القيود:

صراع النص واللون: إذا وصف الأمر النصي صراحةً لونًا يتعارض مع لوحة الألوان المرجعية (على سبيل المثال، الأمر يقول "تفاحة حمراء" لكن المرجع أزرق)، فقد تظهر عيوب بصرية.
متطلبات التفاضل: يتطلب التنفيذ الحالي إجراء تفاضل عبر شبكة U-Net، وهو أمر مكثف حاسوبيًا مقارنة بالمعالجة اللاحقة غير القابلة للتفاضل.
التفاعل مع التنميط: يمكن أن يؤدي الجمع بين SW-Guidance وطرق التنميط القوية الأخرى (مثل InstantStyle) إلى حدوث صراعات، حيث يحاول كلاهما تعديل عملية التوليد.

في الختام، تمثل SW-Guidance تقدمًا كبيرًا في التوليد الصوري القابل للتحكم، حيث تقدم حلاً رياضيًا رصينًا وخاليًا من التدريب لنقل الألوان بدقة مع الحفاظ على السلامة الدلالية وجودة الصورة.