💻 computer science

FOCUS: Optimal Control for Multi-Entity World Modeling in Text-to-Image Generation

تقدم هذه الورقة البحثية FOCUS، وهو إطار عمل مبني على أسس منهجية يصيغ مطابقة التدفق (flow matching) كتحكم أمثل عشوائي لاستخلاص خوارزميات لا تتطلب ضبطًا دقيقًا وأخرى تعتمد على الضبط الدقيق، والتي تعمل بشكل كبير على تحسين دقة تعدد الموضوعات ومنع تسرب السمات في توليد الصور من النصوص.

المؤلفون الأصليون: Eric Tillmann Bill, Enis Simsar, Thomas Hofmann

نُشر 2026-03-26

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Eric Tillmann Bill, Enis Simsar, Thomas Hofmann

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 شيف ماهر (الذكاء الاصطناعي) بارع في طهي الأطباق المنفردة. إذا طلبت منه "شريحة لحم مثالية"، فستحصل على تحفة فنية. ولكن إذا طلبت منه "شريحة لحم، وسلطة، وكأسًا من النبيذ جميعها في طبق واحد"، فغالبًا ما يرتبك الذكاء الاصطناعي. قد يصب تتبيلة السلطة فوق شريحة اللحم، أو يحول النبيذ إلى شريحة لحم حمراء، أو ينسى النبيذ تمامًا. تتداخل المكونات أو تختلط بطريقة فوضوية.

تقدم هذه الورقة البحثية، التي تحمل عنوان FOCUS، طريقة جديدة لتعليم الذكاء الاصطناعي كيفية الحفاظ على هذه المكونات منفصلة ومتميزة، حتى عندما تكون جميعها على نفس الطبق.

إليك تفصيل ذلك باستخدام تشبيهات بسيطة:

1. المشكلة: "المطبخ الفوضوي"

تعد مولدات صور الذكاء الاصطناعي الحالية (مثل Stable Diffusion أو FLUX) رائعة في اتباع التعليمات، لكنها تعاني مع الأوامر متعددة الكيانات (الطلبات التي تحتوي على عدة أشياء متميزة).

تسرب الصفات (Attribute Leakage): تطلب "قبعة حمراء" و"سيارة زرقاء"، فيقوم الذكاء الاصطناعي بطلاء السيارة باللون الأحمر.
تشابك الهوية (Identity Entanglement): تطلب "كلبًا" و"قطة"، فيرسم الذكاء الاصطناعي مخلوقًا نصف كلب ونصف قطة.
إغفال الموضوع (Subject Omission): تطلب ثلاثة أشياء، فيرسم الذكاء الاصطناعي اثنين منها فقط.

يعامل الذكاء الاصطناዊ الصورة بأكملها كحساء كبير وضبابي بدلاً من كونها أشياء متميزة لها هوياتها الخاصة.

2. الحل: "شرطي المرور" (التحكم الأمثل)

أدرك المؤلفون أن توليد صورة يشبه قيادة سيارة من النقطة أ (الضجيج العشوائي) إلى النقطة ب (الصورة النهائية). عادةً، يتبع الذكاء الاصطناعي نظام تحديد المواقع (النموذج الأساسي) بشكل أعمى.

يعمل FOCUS كـ شرطي مرور أو مساعد طيار يتدخل أثناء القيادة.

هو لا يعيد بناء السيارة (نموذج الذكاء الاصطناعي).
لا يحتاج إلى إعادة تدريب السائق لسنوات.
بدلاً من ذلك، يقوم بتوجيه السيارة بلطف بعيدًا عن "الاختناقات المرورية" (حيث تختلط الأشياء) ويبقي المسارات خالية.

يسمون هذا التحكم الأمثل (Optimal Control). وهي طريقة رياضية لقول: "قم بإجراء أصغر تصحيح ممكن في كل خطوة لضمان بقاء القبعة الحمراء على الرأس وبقاء السيارة الزرقاء زرقاء".

3. الطريقتان لاستخدام المساعد

تقدم الورقة البحثية طريقتين لاستخدام نظام التوجيه الجديد هذا:

أ. "الإصلاح الفوري" (التحكم وقت الاختبار - Test-Time Control)

كيف يعمل: لا تغير نموذج الذكاء الاصطناعي على الإطلاق. عندما تكتب أمراً، يضيف النظام "دفعة" صغيرة وحقيقية إلى عملية تفكير الذكاء الاصطناعي.
التشبيه: يشبه ارتداء سماعات إلغاء الضوضاء أثناء الاستماع إلى أغنية. الأغنية (الصورة) لا تزال هي نفسها، لكن السماعات (FOCUS) تقوم بتصفية التشويش (الارتباك) لتسمع الموسيقى بوضوح.
المزايا: يعمل فوراً على أي جهاز كمبيوتر؛ لا يتطلب انتظار التدريب.
العيوب: يستغرق توليد الصورة وقتاً أطول قليلاً لأن النظام يتعين عليه إجراء عمليات حسابية إضافية أثناء التشغيل.

ب. "ذاكرة العضلات" (الضبط الدقيق - Fine-Tuning)

كيف يعمل: يعلم النظام الذكاء الاصطناعي عادة جديدة. يمر عبر آلاف الأمثلة، ويتعلم بالضبط كيفية الحفاظ على الأشياء منفصلة. بمجرد التدريب، "يتذكر" الذكاء الاصطناعي هذه المهارة.
التشبيه: يشبه عازف الموسيقى الذي يتدرب على السلالم الموسيقية. في البداية، يضطر للتفكير بجهد في كل نوتة (وقت الاختبار). ولكن بعد الممارسة، تعرف أصابعه تلقائياً أين تذهب (الضبط الدقيق). يمكنه عزف الأغنية بشكل أسرع وأكثر طبيعية.
المزايا: يكون توليد الصور بنفس سرعة السابق، لكن الجودة أفضل بشكل دائم.
العيوب: يتطلب بعض القدرة الحوسبية للقيام بالتدريب الأولي.

4. السر الخفي: "FOCUS" (خريطة الانتباه)

كيف يعرف شرطي المرور متى يوجه؟ يستخدم قاعدة جديدة تسمى FOCUS (التحكم الأمثل للتدفق للموضوعات غير المتشابكة).

تخün أن لدى الذكاء الاصطناعي مجموعة من الأضواء الكاشفة (تسمى "خرائط الانتباه") التي تسلط الضوء على أجزاء مختلفة من الصورة بناءً على الكلمات الموجودة في طلبك.

بدون FOCUS: قد تتداخل كشاف "الكلب" وكشاف "القطة"، مما يجعل الذكاء الاصطناعي يخلط بينهما.
مع FOCUS: يتحقق النظام من الأضواء الكاشفة. إذا كان ضوء "الكلب" يسلط الضوء على "القطة"، فإنه يقول: "لا، انقل هذا الضوء إلى هنا!". إنه يجبر الأضواء الكاشفة رياضياً على البقاء في مساراتها الخاصة.

إنه يعامل هذه الأضواء الكاشفة مثل سحب الاحتمالات. الهدف هو جعل "سحابة الكلب" و"سحبة القطة" متميزتين وغير متداخلتين، مما يضمن معرفة الذكاء الاصطناعي بمكان كل جسم بدقة.

5. لماذا يهم هذا؟

هذا ليس مجرد أمر يتعلق بجعل صور الكلاب والقطط أجمل. إنه يتعلق بـ نمذجة العالم (World Modeling).

سرد القصص: تخيل إنشاء كتاب قصص مصورة حيث يوجد بطل، وشرير، ومساعد في نفس المشهد، لكل منهم ملابسه وأسلحته الفريدة.
العلوم: تصور خلية تحتوي على نواة، وميتوكوندريا، وريبوسوم، حيث يكون كل جزء متميزاً ومصنفاً بشكل صحيح.
التصميم: إنشاء غرفة بها كرسي ومصباح وسجادة محددة، بحيث لا يتحول المصباح بالخطأ إلى كرسي.

الملخص

FOCUS هو عجلة قيادة ذكية لمولدات صور الذكاء الاصطناعي. يستخدم الرياضيات لتوجيه الذكاء الاصطناعي بلطف، مما يضمن أنه عندما تطلب أشياء متعددة، يعطيك الذكاء الاصطناعي بالضبط ما طلبته — أشياء متميزة، ومنفصلة، ومرتبطة تماماً بأوصافها الخاصة — دون فقدان الأسلوب الفني للنموذج الأصلي. سواء كنت بحاجة إلى إصلاح سريع أو ترقية دائمة، يوفر FOCUS الأدوات للحفاظ على تنظيم عالم الذكاء الاصطناعي.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "FOCUS: التحكم الأمثل للنمذجة العالمية متعددة الكيانات في توليد الصور من النصوص."

1. بيان المشكلة

تتفوق نماذج تحويل النص إلى صورة (T2I) الحالية، ولا سيما تلك القائمة على مطابقة التدفق (Flow Matching - FM) مثل Stable Diffusion 3.5 و FLUX.1، في توليد الكيانات الفردية، لكنها تعاني في التعامل مع المطالبات متعددة الموضوعات (multi-subject prompts). تشمل أوضاع الفشل الشائعة ما يلي:

تسرب السمات (Attribute Leakage): حيث تُطبق سمات (مثل اللون أو المادة) من موضوع واحد بشكل غير صحيح على موضوع آخر.
تشابك الهوية (Identity Entanglement): اندماج الموضوعات لتصبح كيانًا هجينًا واحدًا.
إغفال الموضوع (Subject Omission): فشل ظهور موضوع واحد أو أكثر من المطالبة في الصورة المولدة.

تعتمد الحلول الحالية بشكل كبير على الأساليب التجريبية (Heuristic) (مثل التلاعب بخرائط الانتباه المتقاطع أثناء الاختبار) وتفتقر إلى إطار نظري موحد. كما أنها تتطلب ضبطًا مكثفًا للمعلمات الفائقة (hyperparameters)، وتكون مخصصة لبنى الانتشار القديمة (U-Net)، ولا تتعمم بشكل جيد على نماذج مطابقة التدفق الحديثة.

2. المنهجية

يقترح المؤلفون إطار عمل مبدئي يعيد صياغة توليد المواضيع المتعددة كمسألة تحكم أمثل عشوائي (Stochastic Optimal Control - SOC).

أ. الإطار النظري: التحكم الأمثل العشوائي (SOC)

يتم نمذجة عملية التوليد في مطابقة التدفق كمعادلة تفاضلية عشوائية (SDE). يقدم المؤلفون حد التحكم $u_t$ إلى "الانجراف" (drift) الخاص بالمعادلة لتقليل دالة التكلفة $f$ (التي تمثل تشابك الموضوعات) مع البقاء قريبًا من النموذج الأساسي.

الهدف: تقليل التكلفة المتوقعة للتشابك بالإضافة إلى طاقة التحكم.
الاشتقاق: باستخدام معادلة هاميلتون-جاكوبي-بيلمان، اشتقوا التحكم الأمثل $u^*_t = -\sigma(t)a(t)$ ، حيث $a(t)$ هو إشارة الملحق (co-state).
التقريب: نظرًا لأن حل ديناميكيات الملحق الكاملة أمر مكلف حاسوبيًا في وقت الاختبار، فقد قاموا بتقريب الملحق محليًا، مما أدى إلى حد توجيه قائم على التدرج:
$v^*_t \approx v_{base}(X_t, t) - \eta(t) \nabla_X f(X_t, t)$
هذا يوحد أساليب الانتباه التجريبية السابقة تحت واجهة تحكم واحدة موحدة وغير مرتبطة ببنية معينة.

ب. هدف FOCUS

لتجسيد دالة التكلفة $f$ ، قدم المؤلفون FOCUS (التحكم الأمثل للتدفق للموضوعات غير المتشابكة).

الانتباه الاحتمالي: بدلاً من معاملة خرائط الانتباه كمجرد تنشيطات خام، يعامل FOCUS خرائط الانتباه كتوزيعات احتمالية عبر المواقع المكانية.
تباعد جينسن-شانون (JSD): تستخدم دالة الخسارة مقياس JSD لقياس:
1. الاتساق داخل الموضوع الواحد: تقليل التشتت داخل خرائط انتباه الموضوع الواحد (لضمان تماسك الموضوع).
2. الانفصال بين الموضوعات: تعظيم التباعد بين متوسط توزيعات الانتباه للموضوعات المختلفة (لضمان عدم تداخلها).
التطبيع (Normalization): يتم تطبيع JSD لضمان قابلية المقارنة عبر أعداد متفاوتة من الموضوعات.

ج. نموذجان للتطبيق

يدعم الإطار خوارزميتين عمليتين:

التحكم في وقت الاختبار (بدون إعادة تدريب):
- يحسب إشارة التحكم آنيًا أثناء عملية أخذ العينات (sampling).
- يغير سرعة النموذج الأساسي عبر تحديث بمرور واحد (single-pass update).
- لا يتطلب إعادة تدريب النموذج ولكنه يزيد من زمن الاستجابة (حوالي ضعفين).
الضبط الدقيق لمطابقة الملحق (Adjoint Matching Fine-Tuning):
- يتعلم شبكة تحكم خفيفة الوزن (باستخدام LoRA) لتقريب إشارة التحكم المثلى.
- يستخدم مطابقة الملحق، حيث تقوم الشبكة بالانحدار نحو "ملحق رشيق" يتم حسابه على مسارات مجمدة، مما يتجنب الانتشار العكسي عبر المسار المتحكم به.
- ينتج عن ذلك نموذج يتمتع بقدرة على التعميم على مطالبات غير مرئية مع صفر عبء إضافي في وقت الاستنتاج.

3. المساهمات الرئيسية

هدف FOCUS: هدف جديد لربط الانتباه احتماليًا يعتمد على تباعد جينسن-شانون، والذي يقيس بفعالية ويفرض عقوبة على تشابك الكيانات المتعددة.
منظور SOC: تفسير موحد لتوجيه تحديث الكامن (latent-update guidance) كتحكم أمثل عشوائي، مما يوفر معلمة فائقة واحدة ( $\lambda$ ) للمفاضلة بين دقة النموذج الأساسي وفك التشابك.
خوارزميات مزدوجة:
- متحكم وقت الاختبار (بدون تدريب): يعمل مع أي محلل SDE/ODE جاهز.
- مسار الضبط الدقيق لمطابقة الملحق: يتعلم متحكمًا مستدامًا، مما يحافظ على أسلوب وتنوع النموذج الأساسي مع تحسين دقة الموضوعات المتعددة.
الاستقلالية عن البنية: تم تصميم الطريقة لنماذج مطابقة التدفق الحديثة (SD 3.5, FLUX.1) ولكنها تنتقل بنجاح إلى نماذج انتشار U-Net الأقدم (SD 1.5).

4. النتائج التجريبية

قيم المؤلفون نهجهم على Stable Diffusion 3.5 و FLUX.1 باستخدام مجموعة بيانات مخصصة مكونة من 150 مطالبة تحتوي على 2-4 موضوعات.

المقاييس الكمية:
- حقق FOCUS باستمرار أعلى الدرجات المركبة (متوسط كلي لـ CLIP، SigLIP، BLIP، Qwen2، PickScore، و ImageReward) مقارنة بالنماذج المرجعية مثل Attend&Excite و CONFORM و Divide&Bind.
- تفوقت النماذج المضبوطة دقيقًا على متحكمات وقت الاختبار في الدرجات المركبة، مما يثبت فائدة تعلم سياسة التحكم.
دراسة التفضيل البشري:
- في دراسة زوجية مع 50 مشاركًا (2,000 مقارنة)، حقق FOCUS أعلى معدلات فوز وتصنيفات Elo لكل من سيناريوهات التحكم في وقت الاختبار والضبط الدقيق.
- فضل المستخدمون الصور المولدة بواسطة FOCUS بسبب أفضل حضور للموضوعات، والربط الصحيح للسمات، وتقليل التسرب.
التعميم:
- تعمم النماذج المضبوطة دقيقًا بشكل جيد على المطالبات غير المرئية.
- ومن المثير للاهتمام، أن الضبط الدقيق على مجموعة بيانات صغيرة جدًا مكونة من مطالبة واحدة فقط أدى إلى تحسينات كبيرة، مما يشير إلى أن متحكم SOC يتعلم اتجاهًا قويًا لفك التشابك.
الكفاءة:
- يعمل التحكم في وقت الاختبار بكفاءة على وحدات GPU العادية (12GB VRAM).
- تضيف النماذج المضبوطة دقيقًا صفر عبء إضافي على وقت الاستنتاج.

5. الأهمية

تمثل هذه الورقة تحولًا كبيرًا من التدخلات التجريبية العشوائية إلى نهج قائم على نظرية التحكم لتوليد الصور من النصوص.

التوحيد: توفر لغة مشترة لفهم وتحسين توليد المواضيع المتعددة عبر بنيات النماذج المختلفة (U-Net مقابل DiT/Flow Matching).
العملية: من خلال تقديم حل (بدون تدريب) في وقت الاختبار وحل ضبط دقيق خفيف الوزن، تجعل FOCUS توليد الكيانات المتعددة عالية الدقة متاحًا دون الحاجة إلى إعادة تدريب ضخمة أو تخطيطات مستخدم معقدة.
التوجه المستقبلي: يفتح إطار عمل SOC الباب لتطبيق تقنيات التحكم المتقدمة على تحديات النمذجة التوليدية الأخرى، مثل الاتساق الزمني في الفيديو أو توليد النماذج ثلاثية الأبعاد.

باختصار، يحل FOCUS مشكلة تشابك المواضيع المتعددة الحرجة في نماذج T2I الحديثة من خلال الاستفاء من نظرية التحكم الأمثل، محققًا نتائج هي الأفضل في حالتها (state-of-the-art) في كل من المقاييس الآلية والتفضيل البشري مع الحفاظ على التكامل الأسلوبي للنماذج الأساسية.