← أحدث الأبحاث
💻 computer science

ShotVerse: Advancing Cinematic Camera Control for Text-Driven Multi-Shot Video Creation

يقدم ShotVerse إطار عمل "التخطيط ثم التحكم" (Plan-then-Control) الذي يستفيد من مخطط يعتمد على نماذج اللغة والرؤية (VLM) ومتحكم متخصص، مدعومًا بمجموعة بيانات جديدة تم تنسيقها بدقة عالية، لتمكين التوليد الآلي والدقيق والمتسق لمقاطع الفيديو السينمائية متعددة اللقطات من النصوص الوصفية.

المؤلفون الأصليون: Songlin Yang, Zhe Wang, Xuyi Yang, Songchun Zhang, Xianghao Kong, Taiyi Wu, Xiaotong Zhao, Ran Zhang, Alan Zhao, Anyi Rao

نُشر 2026-08-25
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Songlin Yang, Zhe Wang, Xuyi Yang, Songchun Zhang, Xianghao Kong, Taiyi Wu, Xiaotong Zhao, Ran Zhang, Alan Zhao, Anyi Rao

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 عالماً يمكن فيه لأي شخص أن يصبح مخرج أفلام، ببساطة عن طريق وصف مشهد بالكلمات. لسنوات، تعلم الذكاء الاصطناعي تحويل هذه الأوصاف إلى صور متحركة، لينتج مقاطع قصيرة لقطة تمشي أو سيارة تقود. لقد جعلت هذه التكنولوجيا عملية صنع الفيديوهات متاحة للجميع. ومع ذلك، هناك فجوة كبيرة بين إنشاء مقطع واحد مستمر وبين صنع فيلم كامل. فالفيلم الحقيقي ليس مجرد لقطة واحدة طويلة؛ بل هو مجموعة من اللقطات المختلفة، لكل منها زاوية كاميرا، وحركة، وتوقيت خاص بها. في صناعة السينما، يعتبر الشخص الذي يقرر كيف تتحرك الكاميرا — وهو مدير التصوير — لا يقل أهمية عن الكاتب. فهم يختارون متى يتم التقريب (zoom in)، ومتى يتم التحريك العرضي (pan) عبر منظر طبيعي، أو كيفية الانتقال من عرض واسع إلى لقطة قريبة لإخبار القصة بفعالية. وبينما يمكن للذكاء الاصطناعي الحالي اتباع تعليمات بسيطة مثل "حرك الكاميرا لليسار"، إلا أنه يعاني في فهم الرقصة المعقدة والمنسقة لمشهد متعدد اللقطات. فهو غالباً ما يفشل في الحفاظ على اتساق حركات الكاميرا عبر القطعات المختلفة، أو لا يستطيع ترجمة فكرة المخرج الغامضة إلى مسار كاميرا دقيق واحترافي.

لقد طور فريق من الباحثين من جامعة هونغ كونغ للعلوم والتكنولوجيا وشركة تينسنت فيديو نظاماً جديداً يسمى "ShotVerse" لحل هذه المشكلة تحديداً. يركز عملهم على تعليم الذكاء الاصطناعي كيف يعمل كمدير تصوير محترف، قادر على تخطيط وتنفيذ تسلسل من لقطات الكاميرا المختلفة بناءً على قصة مكتوبة. وبدلاً من محاولة إجبار الذكاء الاصطناعي على تخمين حركات الكاميرا من النص وحده، أو مطالبة الإنسان برسم كل مسار كاميرا يدوياً، ابتكر الباحثون عملية مكونة من خطوتين. أولاً، يقوم "المخطط" (planner) بقراءة القصة وتحديد كيفية تحرك الكاميرا بدقة لكل لقطة. ثم يقوم "المتحكم" (controller) باستخدام تلك الخطط المحددة لتوليد الفيديو الفعلي. ولم يكن سر نجاحهم يكمن في البرمجيات فحسب، بل في البيانات التي استخدموها لتعليمه. فقد أدركوا أنه لكي يتعلم الذكاء الاصطناعي كيفية صنع الأفلام، فإنه يحتاج إلى رؤية آلاف الأمثلة حيث تتطابق القصة، ومسار الكاميرا، والفيديو النهائي بشكل مثالي.

لبناء هذا الأساس، جمع الفريق أكثر من 20,000 مقطع من أفلام عالية الجودة، وبرامج تلفزيونية، وأفلام وثائقية. احتوت هذه المقاطع على تسلسلات معقدة ذات لقطات كاميرا متعددة. ثم ابتكر الباحثون طريقة جديدة لتحليل هذه المقاطع واستخراج المسار الدقيق الذي اتخذته الكاميرا في كل لقطة. قاموا بمحاذاة هذه المسارات في نظام إحداثيات موحد، مما يضمن أن الحركة في لقطة واحدة تبدو منطقية بالنسبة للقطة التالية. خلقت هذه العملية مجموعة بيانات ضخمة جديدة تسمى "ShotVerse-Bench"، والتي تعمل كأرضية للتدريب للذكاء الاصطناعي. ومع هذه البيانات، قاموا بتدريب نظامهم المكون من جزأين؛ فالمخطط، الذي يستخدم نموذجاً لغوياً بصرياً ضخماً، يتعلم قراءة وصف مثل "كشف درامي لأفق المدينة" ويقوم تلقائياً بتوليد مسار ثلاثي الأبعاد دقيق لتتبعه الكاميرا. إنه يفكك القصة إلى لقطات فردية، ويقرر الزاوية، والمسافة، والحركة لكل منها. ثم يأخذ المتحكم هذه المسارات ويولد الفيديو، مما يضمن تحرك الكاميرا تماماً كما هو مخطط له مع الحفاظ على الجودة البصرية واتساق المشهد.

إن نتائج هذا النهج كبيرة. فعند اختباره، كان النظام قادراً على توليد فيديوهات متعددة اللقطات تتبع تعليمات الكاميرا بدرجة عالية من الدقة، متفوقاً بمراحل على الأساليب السابقة التي كانت تعتمد على التخمين أو القوالب البسيطة. أظهرت الفيديوهات فهماً واضحاً للإيقاع السينمائي، مع انتقالات سلسة بين اللقطات وسلوك كاميرا متسق عبر التسلسل بأكمله. ووجد الباحثون أنه من خلال فصل تخطيط حركة الكاميرا عن توليد الفيديو، استطاعوا تحقيق مستوى من التحكم كان مستحيلاً في السابق. نجح النظام في التعامل مع سيناريوهات معقدة، مثل تتبع موضوع ما أثناء التحرك للخلف، أو الانتقال من لقطة واسعة إلى لقطة قريبة دون فقدان الإحساس بالمساحة. كما أظهر أن الذكاء الاصطناعي يمكنه تعلم "قواعد" السينما، ليس فقط كيفية تحريك الكاميرا، بل كيفية تحريكها لسرد قصة بفعالية.

يمثل هذا العمل تحولاً في كيفية تفكيرنا في الذكاء الاصطناعي وصناعة الفيديو. فهو يتجاوز مجرد توليد حركات عشوائية أو ثابتة نحو نهج أكثر هيكلية وقصداً يحاكي صناعة الأفلام البشرية. لقد أظهر الباحثون أنه من خلال تزويد الذكاء الاصطناعي بالنوع الصحيح من البيانات — حيث تكون القصة، وخطة الكاميرا، والمخرج البصري جميعها متوافقة — فمن الممكن أتمتة المهمة المعقدة للتحكم السينمائي في الكاميرا. وبينما يركز النظام حالياً على مشاهد مفردة ذات لقطات متعددة، فإن نجاح هذه الطريقة يشير إلى مستقبل يمكن فيه للذكاء الاصطناعي المساعدة في إنشاء روايات أطول وأكثر تعقيداً. تؤكد الدراسة أنه مع توفر الأدوات والبيانات المناسبة، يمكن للذكاء الاصطناعي أن يتعلم كيف يكون شريكاً حقيقياً في فن صناعة الأفلام، حيث يتولى التفاصيل التقنية لحركة الكاميرا حتى يتمكن المبدعون من التركيز على القصة نفسها.

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 →