← أحدث الأبحاث
🤖 AI

Instruction-based Image Editing with Planning, Reasoning, and Generation

تقترح هذه الورقة إطار عمل مبتكر لتحرير الصور القائم على التعليمات، والذي يربط بين الفهم والتوليد من خلال الاستفادة من نهج تسلسل الأفكار متعدد الوسائط للتعامل بشكل منفصل مع التخطيط، والاستدلال في منطقة التحرير، والتوليد الموجه بالتلميحات، مما يحقق أداءً فائقاً على الصور الواقعية المعقدة مقارنة بالأساليب السابقة أحادية الوسائط.

المؤلفون الأصليون: Liya Ji, Chenyang Qi, Qifeng Chen

نُشر 2026-02-27
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Liya Ji, Chenyang Qi, Qifeng Chen

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 تريد استئجار رسام محترف لإصلاح صورة لك. في الماضي، ربما كان عليك قول شيء غامض مثل، "اجعل هذا يبدو أجمل،" وتأمل أن يخمن الرسام ما تقصده. أو، ربما كان عليك تقديم قائمة طويلة ومعقدة من الخطوات التقنية، آملًا ألا يرتبك الرسام.

يقدم هذا البحث طريقة جديدة للتحدث مع فنان يعمل بالذكاء الاصطناعي تسمى "التعديل عبر تسلسل الأفكار متعدد الوسائط" (Multimodal Chain-of-Thought Editing). فكر في الأمر كأنك توظف مدير مشروع ومراقب عمال للعمل بجانب رسامك، بدلاً من التحدث إلى الرسام مباشرة فقط.

إليك كيف يعمل الأمر، مقسماً إلى خطوات بسيية:

1. المشكلة: فخ "التعليمات الغامضة"

إذا قلت لذكاء اصطناعي قياسي، "اجعل الغرفة أكثر دفئاً،" فقد يقوم ببساطة بتحويل الصورة بأكملها إلى اللون البرتقالي. هو لا يعرف ماذا يغير (الجدران؟ الأثاث؟ الإضاءة؟) أو كيف يفعل ذلك دون إفساد بقية الصورة. الأمر يشبه إخبار طباخ، "اجعل هذا الحساء ألذ،" دون تحديد ما إذا كان عليه إضافة الملح، أو الفلفل، أو الأعشاب.

2. الحل: "فريق الخطوات الثلاث"

ابتكر المؤلفون نظاماً يقسم طلبك إلى ثلاثة أدوار متميزة، تعمل معاً مثل طاقم بناء:

الخطوة 1: مدير المشروع (المخطط)

  • ماذا يفعل: هذا هو "عقل" العملية. عندما تعطيه تعليمات معقدة (مثل: "اجعلها ليلة عاصفة درامية")، فإن مدير المشروع لا يمرر الرسالة فحسب. بل يتوقف ويفكر.
  • التشبيه: تخيل أنك سألت مقاولاً أن "يصلح المطبخ". المقاول الجيد لا يبدأ بالدق بالمطرقة فوراً. بل يقسم العمل: "أولاً، نحتاج لإزالة الخزائن القديمة. ثانياً، نحتاج لتركيب إضاءة جديدة. ثالثاً، نحتاج لإعادة طلاء الجدران."
  • في البحث: يستخدم الذكاء الاصطناعي "تسلسل الأفكاء" (Chain-of-Thought) لتقسيم فكرتك الكبيرة والمجردة إلى قائمة من المهام الصغيرة، المحددة، والقابلة للتنفيذ. إنه يترجم كلمة "درامية" إلى "أضف غيوماً داكنة، وبرقاً، وأمواجاً هائجة".

الخطوة 2: مراقب العمال (المستنتج)

  • ماذا يفعل: بمجرد أن ينتهي مدير المشروع من قائمة المهام، ينظر المراقب إلى الصورة ويحدد بدقة أين يجب العمل.
  • التشبيه: إذا قال مدير المشروع "ادهن السماء"، فإن المراقب يرسم خطاً في الرمال ليوضح للرسام بالضبط أين تنتهي السماء وتبدأ الجبال. هذا يمنع الرسام من طلاء الجبال باللون الأزرق عن طريق الخطأ.
  • في البحث: ينظر نموذج ذكاء اصطناعي خاص إلى الصورة والمهمة المحددة، ثم يرسم "قناعاً" (Stencil رقمي) يوضح بالضبط أي البكسلات (Pixels) يجب أن تتغير. هذا يضمن عدم مسح الشخص الواقف في الصورة بالخطأ أثناء تغيير الخلفية.

الخطوة 3: الرسام (المولد)

  • ماذا يفعل: هذا هو الذكاء الاصطناعي الفعلي الذي ينشئ الصورة الجديدة. لكنه الآن ليس في حالة تخمين؛ بل لديه مخطط (المهمة المحددة) وقالب (المنطقة المحددة بدقة).
  • التشبيه: الآن يعرف الرسام تماماً ماذا يفعل وأين يفعله. يمكنه تركيز كل طاقته على جعل السحب تبدو واقعية لأنه ليس قلقاً بشأن إفساد بقية الصورة.
  • في البحث: هذا هو "نموذج الانتشار" (Diffusion Model) -وهو أحدث تقنيات توليد الصور- والذي يتم توجيهه بواسطة التلميحات من الخطوتين الأولى والثانية.

3. لماذا يعد هذا أمراً هاماً؟

  • يتعامل مع الأفكار "المجردة": البشر بارعون في فهم كلمات مثل "مريح"، "مخيف"، أو "درامي". النماذج القديمة للذكاء الاصطناعي كانت تعاني مع هذه الكلمات. هذا النظام يترجم تلك المشاعر الضبابية إلى أفعال ملموسة (مثلاً: "مريح" = "أضف بطانيات دافئة ومصباحاً خافتاً").
  • لا يفسد الصورة: لأن "المراقب" يخبر الذكاء الاصطناعي بالضبط بالمناطق التي لا يجب لمسها، تظل بقية الصورة مثالية.
  • يشبه المحادثة: يمكنك التحدث معه بشكل طبيعي، وهو يستنتج المنطق وراء طلبك قبل البدء في العمل.

ملخص التشبيه

فكر في تعديل صورة بالطريقة القديمة على أنه صراخ بأمر لرسام معصوب العينين وتمني الحصول على النتيجة الصحيحة.

أما هذه الطريقة الجديدة، فهي تشبه إعطاء الفنان مخططاً تفصيلياً، وقالب تحديد موجه بالليزر، وقائمة مهام خطوة بخطوة. والنتيجة هي صورة تبدو تماماً كما تخيلتها، دون أي لطخات عرضية أو تفاصيل مفقودة.

اختبر المؤلفون هذا النظام على آلاف الصور ووجدوا أنه ينتج تعديلات أفضل وأكثر دقة بكثير من الطرق السابقة، خاصة بالنسبة للطلبات المعقدة أو الإبداعية.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🤖 cs.AI →