💻 computer science

VSF: Simple, Efficient, and Effective Negative Guidance in Few-Step Image Generation Models By Value Sign Flip

تقدم هذه الورقة البحثية تقنية "قلب إشارة القيمة" (Value Sign Flip - VSF)، وهي طريقة فعالة حاسبياً تعزز الالتزام بالمطالبات السلبية في نماذج توليد الصور والفيديو ذات الخطوات القليلة، وذلك عبر قلب إشارة قيم الانتباه ديناميكياً، متفوقةً بذلك على تقنيات التوجيه الحالية مثل (CFG) مع الحفاظ على جودة صورة عالية.

المؤلفون الأصليون: Wenqi Guo, Shan Du

نُشر 2026-02-20

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Wenqi Guo, Shan Du

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 تحاول رسم لوحة بناءً على وصف ما، ولكن لديك أيضًا قائمة بالأشياء التي لا تريدها بالتأكيد في اللوحة.

في عالم توليد الصور بواسطة الذكاء الاصطناعي، تعد هذه مشكلة معقدة. إذا قلت للذكاء الاصطناعي: "ارسم عالماً، ولكن بدون نظارات"، فغالبًا ما يرتبك الذكاء الاصطناعي. لأن نماذج الذكاء الاصطناعي الحديثة بارعة في التعرف على الأنماط ولكنها سيئة جدًا في فهم كلمة "لا"، فقد يرسم عالماً بنظارات، أو قد يرسم النظارات بشكل أكثر بروزاً مما لو لم تكن قد ذكرتها من الأساس.

تقدم هذه الورقة البحثية حيلة ذكية جديدة تسمى VSF (قلب إشارة القيمة - Value Sign Flip) لحل هذه المشكلة، خاصة لنماذج الذكاء الاصطناعي التي تحتاج إلى توليد الصور بسرعة كبيرة (في ثوانٍ معدودة فقط).

إليك تفصيل الأمر باستخدام تشبيهات بسيطة:

1. المشكلة: فشل سماعات إلغاء الضوضاء

الطرق الحالية لإخبار الذكاء الاصطناعي بما لا يجب فعله تشبه محاولة إلغاء الضجيج باستخدام سماعات الرأس، ولكن بطريقة خاطئة.

الطريقة القديمة (CFG): تخيل أنك تريد إسكات ضوضاء عالية. تحاول الطريقة القديمة تشغيل الضوضاء مرتين: مرة بشكل طبيعي ومرة بشكل عكسي، على أمل أن يلغي كل منهما الآخر. لكن بالنسبة لنماذج الذكاء الاصطناعي السريعة، هذا الأمر ثقيل جداً. الأمر يشبه محاولة الجري في ماراثون وأنت تحمل حقيبتي ظهر؛ فهذا يبطئ الذكاء الاصطناعي، وإذا حاولت فرض ذلك، ستصبح الصورة مشوهة وقبيحة (ألوان مشبعة بشكل غريب، وتشويهات بصرية).
الطريقة "المتوسطة" (NASA/NAG): حاول باحثون آخرون أن يكونوا أكثر ذكاءً عبر تعديل "انتباه" الذكاء الاصطناعي (ما ينظر إليه) بعد أن يبدأ بالفعل في التفكير. الأمر يشبه قولك لرسام: "مهلاً، أنت تنظر إلى المكان الخطأ، انظر إلى هنا بدلاً من ذلك". هذا يساعد قليلاً، لكنه جامد بعض الشيء؛ فهو يطبق نفس مقدار "التصحيح" في كل مكان، بغض النظر عما إذا كان الذكاء الاصطناعي ينظر بالفعل إلى الشيء الذي تريد إزالته أم لا.

2. الحل: "قلب إشارة القيمة" (VSF)

يقترح المؤلفون طريقة تسمى Value Sign Flip (VSF). فكر في هذا كأنه سماعات إلغاء ضوضاء تعمل بشكل مثالي في الوقت الفعلي.

إليك كيف تعمل:

الإعداد: ينظر الذكاء الاصطناعي إلى "المطالبة الإيجابية" (ما تريده) و"المطالبة السلبية" (ما تكرهه).
الخدعة السحرية: بدلاً من مجرد إخبار الذكاء الاصطناعي بأن "يتجاهل" المطالبة السلبية، تقوم VSF بأخذ الأجزاء المحددة من "عقل" الذكاء الاصطناعي التي تفكر في الشيء "السلبي" وتقلب إشارتها.
- تخيل أن الذكاء الاصطناعي يفكر في "النظارات" بقيمة +10.
- تقوم VSF بقلب تلك القيمة إلى -10.
- عندما يحاول الذكاء الاصطناعي رسم "النظارات"، فإنه الآن يضيف -10 إلى الصورة.
- النتيجة: "النظارات" تلغي نفسها بنفسها، مما يترك وجهاً نظيفاً.

3. لماذا هي مميزة؟ (تشبيه "النسخ المكرر")

كان هناك عقبة؛ فإذا قمت فقط بقلب إشارة الفكرة "السلبية"، فقد يتسبب ذلك بالخطأ في إفساد أجزاء أخرى من الصورة (مثل الخلفية أو المطالبة الإيجابية).

ولحل هذه المشكلة، استخدم المؤلفون استراتيجية نسخ ذكية (Duplication Strategy):

تخيل أن "المطالبة السلبية" هي شخص يدعى بوب.
يقوم الذكاء الاصطناعي بإنشاء اثنين من بوب.
- بوب (أ) يبقى طبيعياً. يعمل كمرجع لكي يعرف الذكاء الاصطناعي كيف تبدو "النظارات".
- بوب (ب) هو "القاذف" (الذي تُقلب إشارته). هو الشخص الذي يتم قلب إشارته لتصبح سالبة.
يُقال للذكاء الاصطناعي: "استمع فقط إلى بوب القاذف عندما تقرر ما سترسمه على الوجه. وتجاهله تماماً عندما ترسم الخلفية".
هذا يضمن أن الإشارة "السلبية" تلغي فقط الشيء غير المرغوب فيه ولا تفسد بقية الصورة.

4. النتائج: سريعة، نظيفة، وفعالة

اختبرت الورقة البحثية هذه الطريقة على مجموعة بيانات جديدة وصعبة للغاية تسمى NegGenBench (حيث المطالبات السلبية فيها مخادعة، مثل "دراجة بدون عجلات").

السرعة: نظرًا لأن VSF تحتاج فقط إلى تشغيل نموذج الذكاء الاصطناعي مرة واحدة (بدلاً من مرتين مثل الطرق القديمة)، فهي سريعة للغاية. يمكنها توليد الصور في أقل من 3 ثوانٍ.
الجودة: نجحت في إزالة العناصر غير المرغوب فيها (مثل النظارات، أو العجلات، أو أنماط فنية محددة) بشكل أفضل بكثير من الطرق السابقة، دون جعل الصورة تبدو ضبابية أو غريبة.
الإبداع: يمكن استخدامها أيضاً لإنشاء فن "مناهض للجمال" (anti-aesthetic)—صور تبدو تجريدية أو غريبة عن قصد، وهو أمر يصعب على الذكاء الاصطناعي القياسي القيام به لأنه مدرب عادةً على جعل الأشياء تبدو "جميلة".

الملخص

فكر في VSF كأنها ممحاة ذكية. بدلاً من محاولة الرسم فوق الخطأ (وهو أمر يستغرق وقتاً وغالباً ما يبدو فوضوياً)، تقوم VSF ببساطة بقلب "الكهرباء" الخاصة بالخطأ بحيث تلغي نفسها قبل أن تكتمل الصورة. إنها بسيطة، فعالة، وتجعل نماذج الذكاء الاصطريعة السريعة أفضل بكثير في الاستماع لما لا تريده.

إليك ملخص تقني مفصل لورقة البحث بعنوان "VSF: توجيه سلبي بسيط، فعال، وناجع لنماذج توليد الصور ذات الخطوات القليلة عبر قلب إشارة القيمة (Value Sign Flip)."

1. بيان المشكلة

أحدثت نماذج الانتشار (Diffusion) ومطابقة التدفق (Flow-matching) ثورة في توليد الصور والفيديو، لكنها تواجه تحديًا مستمرًا: التوجيه السلبي الفعال.

فجوة النفي: تعاني النماذج البصرية-اللغوية (VLMs) في تفسير النفي. فالأوامكن مثل "عالم لا يرتدي نظارات" غالبًا ما تُنتج علماء يرتدون نظارات، أو حتى تبرز وجود النظارات بشكل أوضح من الأمر الإيجابي.
عدم التوافق مع النماذج ذات الخطوات القليلة: لتحقيق السرعة، تستخدم النماذج الحديثة (مثل Flux Schnell وStable Diffusion 3.5 Turbo) تقنية تقطير الخطوات للعمل في 1-8 خطوات فقط. هذه النماذج عادة ما يتم تدريبها دون استخدام توجيه تصنيف مجاني (Classifier-Free Guidance - CFG).
- فشل الـ CFG: إن فرض الـ CFG على هذه النماذج المقطرة يؤدي إلى عيوب شديدة (فرط التشبع) أو يفشل في كبح المفاهيم السلبية لأن النموذج لا يستطيع استقراء الفرق بين الإشارات الإيجابية والسلبية في عدد الخطوات القليل هذا.
- البدائل الحالية: تحاول طرق مثل NASA (توجيه الانتباه بعيدًا عن السلب) وNAG (توجيه الانتباه الطبيعي) إصلاح ذلك عن طريق التلاعب بمخرجات الانتباه. ومع ذلك، غالبًا ما تستخدم مقاييس توجيه ثابتة تفتقر إلى القدرة على التكيف مع مناطق صور محددة أو خطوات زمنية معينة، مما يؤدي إلى كبح غير مثالي للمحتوى غير المرغوب فيه أو تدهور جودة الصورة.

2. المنهجية: قلب إشارة القيمة (VSF)

يقترح المؤلفون VSF، وهي طريقة تعمل على كبح المحتوى غير المرغوب فيه ديناميكيًا عن طريق قلب إشارة قيم الانتباه المرتبطة بالأوامكن السلبية.

الآلية الجوهرية

بدلاً من طرح التوجيه السلبي من المخرج النهائي (كما في CFG) أو من مخرج الانتباه (كما في NASA/NAG)، يعمل VSF داخل حساب الانتباه نفسه.

قلب إشارة القيمة: تقوم الطريقة بدمج رموز الأمر الإيجابي ( $P$ ) ورموز الأمر السلبي ( $N$ ). والأهم من ذلك، يتم ضرب القيم ( $V$ ) المرتبطة بالأمر السلبي في عامل قياس سالب ( $-\alpha$ ).
الصياغة الرياضية: في نماذج الانتباه المتقاطع (Cross-attention)، يتم حساب مخرج الانتباه $Z_{VSF}$ كالتالي:
$Z_{VSF} = \sigma\left(\frac{Q(K_+ \oplus K_-)^T}{\sqrt{d}}\right) (V_+ \oplus -\alpha V_-)$
حيث $Q$ هو الاستعلام (Query)، و $K$ هي المفاتيح (Keys)، و $V$ هي القيم (Values)، ويرمز $\oplus$ إلى الدمج. يعمل هذا بشكل مشابه لسماعات إلغاء الضجيج؛ حيث تقوم الموجة السلبية "المقلوبة" بإلغاء المحتوى غير المرغوب فيه عندما يتجه انتباه الصورة نحو الأمر السلبي.
الوزن التكيفي: على عكس الطرق السابقة ذات المقاييس الثابتة، يقوم VSF بتعديل قوة الكبح ديناميكيًا بناءً على خريطة الانتباه الحالية. إذا توجه انتباه الصورة بقوة نحو مفهوم سلبي، فإن القيمة المقلوبة تلغي المحتوى بشكل أكثر عدوانية.

التعامل مع بنيات MMDiT (مثل SD 3.5)

تستخدم نماذج الانتشار القياسية مثل SD 3.5 بنية MMDiT (محول الانتشار متعدد الوسائط)، حيث يتم دمج رموز الصورة والنص في تسلسل واحد. عملية قلب الإشارة البسيطة قد تسبب تداخلات غير مقصودة (مثل تداخل سلبي-سلبي أو إيجابي-سلبي).

تكرار الرموز: يقوم VSF بتكرار رموز الأمر السلبي إلى نسختين: $N^{(0)}$ (غير مقلوبة) و $N^{(1)}$ (مقلوبة ومدرجة بمقياس).
قناع الانتباه (Attention Masking):
- $N^{(1)}$ (المقلوبة) يُسمح فقط لرموز الصورة ( $I$ ) بالانتباه إليها. وهي لا تعمل كاستعلام أو مفتاح للرموز الأخرى.
- $N^{(0)}$ (غير المقلوبة) تعمل كأمر سلبي قياسي لطبقات MLP اللاحقة وللانتباه الذاتي، مما يضمن استمرار معلومات الأمر دون التداخل مع آلية الإلغاء.
الانحياز والحشو: يقدم المؤلفون انحياز انتباه ( $-\beta$ ) لمسار $I \to N^{(1)}$ لمنع تدهور الجودة وإزالة رموز الحشو (Padding) من الأمر السلبي لتجنب إدخال ضجيج في آلية قلب الإشارة.

3. المساهمات الرئيسية

منهجية مبتكرة (VSF): تقديم تقنية توجيه سلبي على مستوى الرمز، تعتمد على قلب إشارة قيم الانتباه، مما يوفر كبحًا فائقًا للمفاهيم السلبية في النماذج ذات الخطوات القليلة.
مجموعة بيانات NegGenBench: إنشاء مجموعة بيانات اختبارية صعبة تحتوي على 200 زوج من الأوامكن (إيجابي-سلبي) المعقدة (مثل "دراجة" مقابل "لا عجلات") المصممة خصيصًا لاختبار الالتزام بالنفي، بما في ذلك إزالة المكونات الأساسية.
تقييم شامل: تقييم VSF مقابل النماذج المرجعية (NASA, NAG, CFG) ونماذج خارجية (GPT-4o, Flux Kontext) باستخدام كل من أحكام النماذج اللغوية الكبيرة متعددة الوسائط (LLM) مثل (LLaMA, Qwen-2.5-VL) والتحقق البشري.
الكفاءة: إثبات أن VSF يضيف عبئًا حسابيًا ضئيلًا مقارنة بالاستدلال بمرور واحد، مما يجعله مناسبًا للتوليد في الوقت الفعلي (أقل من 3 ثوانٍ).

4. النتائج التجريبية

أُجريت التجارب على NegGenBench باستخدام نماذج مثل Stable Diffusion 3.5 Large Turbo وWan.

الالتزام بالسلب: تفوق VSF بشكل كبير على جميع النماذج المرجعية.
- حقق VSF Strong درجة سلبية قدرها 0.545 (مقابل 0.320–0.380 لـ NASA/NAG و0.300 لـ CFG في النماذج غير ذات الخطوات القليلة).
- حقق VSF Quality درجة 0.420، موازنًا بين الالتزام العالي وجودة الصورة.
الجودة والالتزام بالإيجاب:
- حافظ VSF على التزام عالٍ بالأمر الإيجابي (0.870–0.980) ودرجات جودة صورة عالية (0.952–0.986).
- في المقابل، أظهرت نماذج NAG وNASA انخفاضًا حادًا في الجودة والالتزام الإيجابي مع زيادة قوة التوجيه السلبي.
تحليل المقايضة: أظهر "منحنى المقايضة" أن VSR يحافظ على جودة عالية حتى عند مستويات التوجيه السلبي العالية (حتى ~60 درجة سلبية)، بينما تتدهور النماذج المنافسة بسرعة تحت مستوى 50.
وقت التشغيل: يعمل VSF في حوالي 3 ثوانٍ لكل صورة على A100، وهو ما يضاهي النموذج المرجعي وأسرع بكثير من CFG (الذي يتطلب مرتين) أو مسارات (التوليد ثم التعديل) التي تستغرق أكثر من 55 ثانية.

5. الأهمية والتطبيقات

تمكين التحكم في الخطوات القليلة: يحل VSF العقبة الحرجة المتمثلة في تطبيق التوجيه السلبي على النماذج المقطرة السريعة، مما يسمح بتوليد عالي السرعة دون التضحية بالتحكم في المحتوى.
المرونة الإبداعية: تمكن الطريقة من التوليد "المضاد للجماليات"، مثل إنشاء فن تجريدي عن طريق إلغاء العناصر الرئيسية جزئيًا (مثل توليد "سيارة" تبدو كلوحة تجريدية باستخدام "سيارة" في كل من الأوامكن الإيجابية والسلبية) أو إزالة أنماط محددة (مثل "ليلة النجوم" بدون "أسلوب فان جوخ").
تخفيف التحيز: من خلال الإزالة الفعالة للمفاهيم غير المرغوب فيها (مثل ديموغرافيات أو أشياء محددة)، يوفر VSF أداة لتقليل التحيزات وتحسين مراقبة المحتوى في الذكاء الاصطناعي التوليدي.
سهولة الوصول: الطريقة بسيطة في التنفيذ (تتطلب فقط قناع الانتباه وقلب القيمة)، ولديها عدد قليل من المعلمات الفائقة (Hyperparameters)، ومتوافقة مع بنيات Cross-attention وMMDiT.

ختامًا، يمثل VSF تحولًا جذريًا في التوجيه السلبي، من الطرح الثابت إلى الإلغاء الديناميكي على مستوى القيمة، مما يتيح توليد صور سريع وعالي الجودة مع تحكم دقيق في العناصر غير المرغوب فيها.