💻 computer science

Velocity-Space 3D Asset Editing

تقدم الورقة البحثية VS3D، وهو إطار عمل خالٍ من التدريب ومن الأقنعة لتحرير الأصول ثلاثية الأبعاد محلياً، والذي يعالج تسرب الهوية وتداخل الإشارات في مولدات التدفق المصحح عبر تنفيذ تدخلات مستهدفة في فضاء السرعة — وتحديداً حقن المصدر المرتكز على إعادة البناء، والتوجيه بالمتوسط الجزئي، وحقن المتبقي لاتفاق التوأم — مباشرة داخل عينة المعادلات التفاضلية العادية (ODE).

المؤلفون الأصليون: Hao Liu, Yuxuan Lin, Jingfeng Guo, Ruihang Chu, Junjie Wang, Ruotong Li, Yujiu Yang

نُشر 2026-05-12

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Hao Liu, Yuxuan Lin, Jingfeng Guo, Ruihang Chu, Junjie Wang, Ruotong Li, Yujiu Yang

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 أن لديك تمثالاً رقمياً ثلاثي الأبعاد، مثل نموذج طيني لحيوان الموظ (Moose). تريد أن تمنحه قبعة جديدة دون تغيير أذنيه أو أنفه أو ملمس فرائه. هذا هو هدف التعديل ثلاثي الأبعاد المحلي (local 3D editing): تغيير جزء محدد مع الحفاظ على كل شيء آخر كما هو تماماً.

يقدم البحث أداة جديدة تسمى VS3D تقوم بذلك بشكل مثالي، دون الحاجة إلى رسم "قناع" (Mask) يدوياً (وهو عب most stencil رقمي) لإخبار الكمبيوتر بما يجب لمسه وما يجب تجاهله. كما أنها لا تتطلب إعادة تدريب الذكاء الاصطائي.

إليك كيف يشرح المؤلفون المشكلة وحلها، باستخدام تشبيهات بسيطة:

المشكلة: "الخرطوم المتسرب" (The Leaky Hose)

تعمل أدوات الذكاء الاصطناعي الحالية لتوليد النماذج ثلاثية الأبعاد مثل خرطوم يرش الماء (السرعة/Velocity) لبناء شكل ما. ولتعديل الشكل، تحاول هذه الأدوات تغيير اتجاه الماء في نقطة واحدة.

ومع ذلك، وجد المؤلفون ثلاث مشكلات رئيسية في كيفية محاولة الأدوات الحالية القيام بذلك:

"التسرب" (تسرب الهوية - Identity Leakage): عندما تحاول دفع الماء في اتجاه واحد لإضافة قبعة، يتسرب الضغط للخارج ويرش بالخطأ بقية جسم الموظ أيضاً. قد تتحرك أذنا الموظ أو يتغير لون فرائه لأن "إشارة التعديل" لم تكن محتواة.
"الإشارة الضعيفة" (عدم التضخيم - No Amplification): لمنع التسرب، يقوم الناس عادةً بخفض ضغط الماء. ولكن إذا خفضته كثيراً، ستصبح القبعة التي تحاول إضافتها باهتة وضعيفة. لا يمكنك الحصول على قبعة قوية وموظ هادئ في نفس الوقت باستخدام الطرق الحالية.
"السحب العالمي" (سحب الهوية - Identity Drag): في الخطوات النهائية لبناء التمثال، ينظر الذكاء الاصطناعي إلى صورة الموظ الجديد (بالقبعة) ويحاول جعل التمثال بأكمله يشبه تلك الصورة. هذا "يسحب" الأجزاء التي لم تُلمس (مثل أرجل الموظ) بعيداً عن مظهرها الأصلي، مما يؤدي إلى تشويهها لتناسب القبعة الجديدة.

تحاول الأدوات الموجودة إصلاح ذلك باستخدام "أقنعة" خارجية (إخبار الذكاء الاصطناعي "لا تلمس هنا") أو عن طريق دمج القطع معاً بعد الانتهاء. يقول المؤلفون إن هذا يشبه محاولة إصلاح خرطوم مسرب بوضع شريط لاصق على الخارج، بدلاً من إصلاح صمام الضغط من الداخل.

الحل: VS3D (الإصلاح الداخلي)

يعالج VS3D المشكلة من داخل محرك الذكاء الاصطناعي (المُنتِج للنماذج - ODE sampler) عن طريق ضبط ضغط الماء واتجاهه في ثلاث مراحل محددة. يستخدمون ثلاث حيل ذكية:

1. RASI: "المرساة المخصصة" (The Custom Anchor)

التشبيه: تخيل أن الذكاء الاصطناعي عبارة عن قارب ينجرف في المحيط. عندما تريد توجيهه إلى وجهة جديدة (القبعة)، فإن التيار عادةً ما يسحب القارب بأكله عن مساره.
الإصلاح: تعمل RASI كمرساة مخصصة يتم إنزالها خصيصاً لهذا القارب. فهي تقوم بمعايرة المحرك بحيث عندما توجهه نحو القبعة، يعرف المحرك بالضبط كيفية إلغاء الانجراف لبقية القارب. إنها تضمن أن "الماء" يتحرك فقط حيث تريد، مما يوقف التسرب دون الحاجة إلى قناع.

2. PMG: "مضخم الإشارة" (The Signal Booster)

التشبيه: تخيل أنك تحاول سماع همس (التعديل) في غرفة صاخبة (الضوضاء العشوائية للذكاء الاصطناعي). إذا اكتفيت بالاستماع فقط، فقد تفوت الهمس أو تسمع الكثير من الضجيج.
الإصلاح: تعمل PMG كمهندس صوت ذكي. فهي تستمع إلى الهمس مرتين: مرة مع الكثير من الضوضاء في الخلفية، ومرة مع ضوضاء أقل. ومن خلال المقارنة بينهما، يمكنها تحديد ماهية "الهمس" (القبعة) بالضبط ورفع مستوى صوت ذلك الصوت المحدد فقط. إذا كان القارب مستقراً بالفعل (لا يوجد تعديل مطلوب)، يظل المضخم صامتاً. هذا يجعل التعديل قوياً دون إفساد الباقي.

3. TAR: "التحقق المزدوج" (The Double-Check)

التشبيه: بعد توجيه القارب، يبدأ الطاقم في رسم التفاصيل. ينظرون إلى صورة القارب الجديد ويخطئون في طلاء الأجزاء القديمة لأنهم مركزون جداً على القبعة الجديدة.
الإصلاح: تقوم TAR بتشغيل محاكاة "توأم" بالتوازي. تسأل الذكاء الاصطناعي: "لو بنينا هذا الشكل نفسه تماماً ولكن باستخدام الصورة القديمة، هل سيبدو شكل الأرجل مختلفاً؟"
- إذا بدا شكل الأرجل متماثلاً في كلتا المحاكاتين، يعرف الذكاء الاصطناعي: "آه، هذه الأرجل لا تحتاج إلى تأثير القبعة الجديدة". ثم يسحب الملمس بلطف ليعود إلى مظهره الأصلي.
- إذا بدا شكل الأرجل مختلفاً، فهو يعرف: "هذا جزء من التعديل"، ويتركها كما هي.
  هذا يضمن بقاء الفراء والألوان في الأجزاء غير الملموسة وفية للمظهر الأصلي.

النتيجة

من خلال الجمع بين هذه الإصلاحات الداخلية الثلاثة، يستطيع VS3D أخذ أصل ثلاثي الأبعاد، وإضافة قبعة، أو إزالة ذيل، أو تغيير لون، ويبقى باقي الكائن متجمداً في الزمن تماماً.

لا أقنعة: لست بحاجة لرسم دائرة حول الجزء الذي تريد تغييره.
لا إعادة تدريب: يعمل مع الذكاء الاصطناعي تماماً كما بُني في الأصل.
جودة عالية: اختبر المؤلفون الأداة على العديد من الأشياء ووجدوا أنها تحافظ على المظهر الأصلي بشكل أفضل بكثير من الطرق الأخرى، حتى عند القيام بتغييرات معقدة مثل الإضافة والحذف في آن واحد.

باختصار، VS3D يشبه النحات الماهر الذي يعرف تماماً كيف ينحت ميزة جديدة في تمثال دون أن يتسبب في تفتت الأجزاء التي أراد الحفاظ عليها، وكل ذلك من خلال ضبط تقنيته الداخلية بدلاً من استخدام الشريط اللاصق أو الغراء الخارجي.

ملخص تقني: VS3D (تحرير الأصول ثلاثية الأبعاد في فضاء السرعة)

1. بيان المشكلة

يعد التحرير المحلي الدقيق للأصول ثلاثية الأبعاد — أي تعديل منطقة محددة مع الحفاظ بصرامة على بقية الأجزاء — تحديًا جوهريًا لمولدات النماذج ثلاثية الأبعاد الأصلية. تعتمد النهج الحالية عادةً على آليات خارجية للنموذج التوليدي، مثل الأقنعة ثلاثية الأبعاد اليدوية، أو دمج الفوكسل (voxel) البعدي، أو الرفع متعدد المنظور ثنائي الأبعاد. تفشل هذه الطرق في معالجة السبب الجذري لتسرب الهوية: وهو سلوك حقل السرعة داخل مُنتظم المعادلات التفاضلية العادية (ODE) لتدفق التصحيح (Rectified-Flow).

عند استخدام نموذج (DiT) لتدفق التصحيح مجمد للتحرير، يجب أن يحمل حقل السرعة إشارة تحرير قوية في المنطقة المستهدفة وفي الوقت نفسه يتلاشى في المحتوى المراد الحفاظ عليه. ومع ذلك، يواجه حقل سرعة واحد صعوبة في تلبية هذه المتطلبات المتضاربة، مما يؤدي إلى ثلاثة أنماط فشل محددة:

تسرب الهوية: حتى عندما تتوافق الشروط محليًا، تظل فرق السرعة ( $v_\Delta$ ) غير صفرية في المناطق المراد الحفاظ عليها بسبب عدم التماثل في توجيه التصنيف الخالي من الفئة (CFG) والبقايا الناتجة عن الانتباه من التضمينات الصورية العالمية.
نقص تضخيم التحرير: غالبًا ما يؤدي تقوية إشارة التحرير إلى زعزعة هوية المناطق المراد الحفاظ عليها دون قصد، لأن كلا المهمتين تتنافسان على نفس درجات الحرية داخل حقل السرعة. علاوة على ذلك، فإن تقدير مونت كارلو لفرق السرعة في الفضاء ثلاثي الأبعاد يهيمن عليه التباين بدلاً من الإشارة المتسقة.
تجاوز الشرط العالمي: في مراحل صقل الهندسة والمواد، يسحب رمز ميزة الصورة العالمية الواحد كل رمز نحو المظهر المستهدف، مما يؤدي إلى الكتابة فوق الهوية المصدرية والتسبب في انحراف الملمس أو التشوه الهندسي.

تقوم الحلول الحالية بتفويض الحفاظ على الهوية لأدوات خارجية بدلاً من التدخل مباشرة داخل مُنتظم ODE حيث ينشأ الفساد.

2. المنهجية: VS3D

يقترح المؤلفون VS3D، وهو إطار عمل لا يتطلب انعكاسًا (inversion-free)، ولا تدريبًا، ولا أقنعة، يعالج هذه المشكلات من خلال تدخلات مستهدفة داخل مُنتظم ODE. تعمل الطريقة على مولد أصلي ثلاثي الأبعاد (تحديدًا TRELLIS 2.0) والذي يتجلى في ثلاث مراحل: توليد الهيكل المتناثر، توليد الهندسة، وتوليد المواد.

يدمج VS3D ثلاثة نماذج تكميلية تتوافق مع مراحل خط الإنتاج:

أ. حقن المصدر المرتكز على إعادة البناء (RASI)

الهدف: المرحلة 1 (اللاتنت الكثيف للإشغال - Dense Occupancy Latent)
يعالج RASI تسرب الهوية ثنائي القنوات (عدم تماثل CFG وبقايا الشرط العالمي).

الآلية: بدلاً من استخدام تضمين غير مشروط ثابت ( $\phi_0$ )، يقوم RASI بتحسين تضمين غير مشروط خاص بالأصل لكل خطوة ( $\phi_t$ ) عبر مسبار إعادة بناء المصدر.
العملية: في كل خطوة زمنية، تحل الطريقة مسألة تحسين لإيجاد $\phi_t$ الذي، عند استخدامه في حساب السرعة، يجبر خطوة أويلر (Euler step) على إعادة بناء اللاتنت المصدر ( $x_{src}$ ) تمامًا عندما يتم استبدال الشرط المستهدف بشرط المصدر.
الأثر: هذا "يربط" مسار المصدر. أثناء التحرير الفعلي، يمتص $\phi_t$ المخزن قنوات التسرب، مما يؤدي إلى انهيار $v_\Delta$ نحو الصفر في الفوكسلات غير المحررة دون الحاجة إلى قناع خارجي.

ب. توجيه المتوسط الجزئي (PMG)

الهدف: المرحلة 1 (تضخيم إشارة التحرير)
يحل PMG الصراع بين الحفاظ على الهوية وتضخيم إشارة التحرير.

الآلية: يستغل هيكل مونت كارلو لتقدير فرق السرعة. تقوم الطريقة بحساب تقدير متوسط عالي الجودة ( $\hat{\mu}_S$ ) ومتوسط عينة جزئية أكثر ضجيجًا ( $\hat{\mu}_L$ ) لفرق السرعة.
الالعملية: تقوم بالاستقراء بعيدًا عن التقدير الأكثر ضجيجًا: $\hat{\mu}_{final} = \hat{\mu}_S + w(\hat{\mu}_S - \hat{\mu}_L)$ .
الأثر: يتم التحكم في هذا التضخيم تلقائيًا بواسطة حقل السرعة نفسه. في المناطق غير المحررة حيث دفعها RASI إلى الصفر، يكون الاستقراء ضئيلاً. أما في المناطق المحررة حيث توجد إشارة متسقة، فإن التضخيم يقوي اتجاه التحرير دون الحاجة إلى عمليات تمرير أمامية إضافية أو أقنعة.

ج. حقن البقايا المتوافق بين التوأمين (TAR)

الهدف: المرحلتان 2 و3 (الهندسة المتناثرة والمواد)
يمنع TAR الشرط العالمي من الكتابة فوق هوية المصدر في مراحل الصقل المتناثرة، حيث يستحيل الربط المباشر بـ ODE بسبب عدم تطابق دعم الفوكسل.

الآلية: يقوم المُنتظم بتشغيل تمرير أمامي "توأم" على نفس السقالة الإحداثية والضوضاء، ولكن بشرط الصورة المصدرية ( $c_{src}$ ) بدلاً من المستهدفة.
العملية: تحسب خريطة عدم توافق لكل رمز ( $d_i$ ) بين المخرج المستهدف ( $z_{tgt}$ ) ومخرج التوأم المصدر ( $z_{twin}$ ). يتم تحديد الرموز ذات عدم التوافق المنخفض (التوافق العالي) كعناصر غير محررة.
الأثر: بالنسبة للرموز المتوافقة، تقوم الطة بحقن بقايا من ترميز المصدر ( $z_{src}$ ) مرة أخرى في اللاتنت المستهدف، مما يسحب الهندسة والمادة فعليًا نحو المصدر. أما الرموز غير المتوافقة (منطقة التحرير) فتظل دون تغيير. هذا يسمح للمُنتجم بتقرير ما يجب الحفاظ عليه رمزًا تلو الآخر.

3. المساهمات الرئيسية

RASI: طريقة للقضاء على تسرب الهوية ثنائي القنوات (عدم تماثل CFG وبقايا الانتباه) من خلال تحسين تضمين غير مشروط لكل خطوة، مما يضمن تلاشي $v_\Delta$ في المناطق غير المحررة دون أقنعة خارجية.
PMG: تقنية لفصل تضخيم التحرير عن الحفاظ على الهوية عن طريق الاستقراء بين متوسطات العينات الفرعية لفرق السرعة، مما يتحكم تلقائيًا في التضخيم للمناطق ذات إشارات التحرير المتسقة.
TAR: آلية لقمع سحب الهوية العالمي في المراحل المتناثرة باستخدام خريطة عدم توافق التمرير الأمامي التوأم لحقن بقايا المصدر فقط حيث يقرر المُنتجم وجوب الحفاظ على المحتوى.
إطار عمل VS3D: نموذج تحرير موحد في فضاء السرعة البحت، يحقق تحريرًا محليًا عالي الدقة مع حفاظ قوي على الهوية دون الحاجة إلى انعكاس أو تدريب أو أقنعة يدوية.

4. النتائج التجريبية

قيم المؤلفون VS3D على معيار مستمد من Objaverse، مقارنين إياه بأحدث محررات النماذج ثلاثية الأبعاد الأصلية (TRELLIS 2.0, VoxHammer, Nano3D) والمحررات المرفوعة ثنائية الأبعاد (Instant3dit, Edit360, VecSet-Edit).

الأداء الكمي: حقق VS3D أفضل النتائج عبر معظم المقاييس، بما في ذلك أعلى PSNR (22.51)، وSSIM (0.867)، وأقل LPIPS (0.145)، مما يشير إلى تفوق في الحفاظ على الهوية. كما حقق أعلى درجات DINO-I (0.841) وCLIP-T (0.294)، مما يثبت دقة التحرير العالية.
الأداء النوعي: نجحت الطريقة في التعامل مع العمليات الأساسية (إضافة/حذف) والتحريرات المركبة (إضافة/حذف متزامن) حيث فشلت النماذج المرجعية. حافظت الطريقة على التماسك الهيكلي واتساق الملمس في المناطق غير المحررة، متجنبة آثار الدرز (seam artifacts) وعدم اتساق الطوبولوجيا الشائع في النهج المرفوعة ثنائية الأبعاد.
دراسات الاستئصال (Ablation Studies): أكدت الدراسة أن كل وحدة تعالج نمط فشل متميز: صحح RASI انحراف الإشغال، واستعاد PMG قوة التحرير، واستعاد TAR تفاصيل الملمس والمواد الدقيقة في المراحل اللاحقة.

5. الأهمية والادعاءات

يزعم البحث أن VS3D يثبت أن نهج فضاء السرعة البحت يمكن أن يعمل كنموذج تحرير عام للمولدات ثلاثية الأبعاد المدربة مسبقًا. من خلال التدخل مباشرة داخل مُنتجم ODE، تحقق الطريقة تحريرًا محليًا عالي الدقة دون الحاجة إلى:

أقنعة ثلاثية الأبعاد خارجية (التي تكون مرهقة وهشة).
انعكاس النموذج (الذي يكون مكلفًا حوسبيًا وغير مستقر).
تدريب إضافي أو ضبط دقيق (LoRA).

يقر المؤلفون بوجود قيد: نظرًا لعدم وجود قناع صلب يعزل حدود التحرير، فإن اتساق الملمس على مستوى البكسل في المناطق غير المحررة هو "قريب من، وليس مطابقًا لـ" الأصل. ومع ذلك، يجادلون بأن هذا سمة متأصلة في الطرق التي لا تستخدم الأقنعة وأن الفرق الإدراكي ضئيل ومقبول في السيناريوهات العملية. يشير العمل إلى أن التحكم في حقل السرعة من الداخل هو المسار الأكثر مباشرة لتحقيق التحرير المحلي المتزامن مع الحفاظ على الهوية وتضخيم التحرير، مما يقدم منظورًا جديدًا لأبح تعبير المستقبل حول التحرير ثلاثي الأبعاد بدون أقنعة.