🤖 machine learning

DVD: Discrete Voxel Diffusion for 3D Generation and Editing

تقدم هذه الورقة البحثية نموذج الانتشار الفوكسلي المنفصل (DVD)، وهو إطار عمل يعامل الإشغال الفوكسلي كمتغير منفصل أصيل لتمكين التوليد الفعال، وتقدير عدم اليقين، والتحرير في جولة واحدة للسقالات الفوكسلية المتفرقة ضمن مسارات العمل ثلاثية الأبعاد دون الحاجة إلى عتبة التحويل من المستمر إلى المنفصل.

المؤلفون الأصليون: Zhengrui Xiang, Jiaqi Wu, Fupeng Sun, Heliang Zheng, Yingzhen Li

نُشر 2026-05-11

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Zhengrui Xiang, Jiaqi Wu, Fupeng Sun, Heliang Zheng, Yingzhen Li

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

نظرة عامة: بناء عوالم ثلاثية الأبعاد باستخدام مكعبات الليغو

تخيل أنك تريد بناء مجسم ثلاثي الأبعاد، مثل سيارة لعبة أو منزل، ولكن بدلاً من استخدام الطين الناعم، عليك بناؤه باستخدام مكعبات ليغو صغيرة وغير مرئية (تسمى voxels أو "فوقلات"). بعض هذه المكعبات موجودة (مشغولة)، وبعضها عبارة عن مساحة فارغة.

تحاول معظم أدوات الذكاء الاصطناعي الحالية لبناء الأجسام ثلاثية الأبعاد عبر تخيل كتلة ناعمة ومستمرة أولاً، ثم محاولة تقطيعها إلى مكعبات ليغو لاحقاً. يجادل مؤلفو هذه الورقة البحثية بأن هذا يشبه محاولة تقطيع كعكة ناعمة إلى مكعبات مثالية—وهذا غالباً ما يؤدي إلى حواف فوضوية، أو قطع مفقودة، أو "ثقوب" في الهيكل النهائي.

بدلاً من ذلك، يقترحون DVD (الانتشار الفوكسلي المنفصل - Discrete Voxel Diffusion). هذه الطريقة تتخطى خطوة "الطين الناعم" تماماً؛ فهي تتعامل مع مكعبات الليغو كأشياء منفصلة (discrete) منذ البداية: فالمكعب إما أن يكون موجوداً (ON) أو غير موجود (OFF). لا يوجد حل وسط.

المشكلة في الطريقة القديمة (الانتشار المستمر)

فكر في الطريقة القديمة كأنها نحات يعمل بالطين المبلل. يقوم بتنعيم السطح، ثم في النهاية، يحاول تحويل الطين إلى شبكة من المكالمات.

المشكلة: إذا ارتكب النحات خطأً صغيراً بالقرب من حافة المكعب، فقد يتم قطع المكعب بالكامل أو يترك فارغاً. هذا يخلق "ثقوباً" في المجسم ثلاثي الأبعاد تبدو مثل أسنان مفقودة أو أرجل مكسورة.
ادعاء الورقة: وجد المؤلفون أن محاولة فرض عملية مستمرة وناعمة لإنشاء هيكل صندوقي ثنائي (ON/OFF) يتسبب في هذه الأخطاء.

الحل الجديد: نهج "مفتاح التشغيل والإيقاف"

طريقة DVD تشبه وجود باني ماهر يفكر فقط من حيث المفاتيح: "هل هذا المكعب يعمل؟ نعم. هل هذا الآخر لا يعمل؟ نعم".

النمذجة المباشرة: بدلاً من التخمين بوجود شكل ناعم ثم تقطيعه، يتنبأ الذكاء الاصطناعي بحالة كل مكعب مباشرة. هو يسأل: "هل هذه النقطة المحددة فارغة أم ممتلئة؟"
النتيجة: بما أنه لا يحتاج لتخمين منحنى ناعم أولاً، فإنه يتجنب أخطاء "التقطيع". وتظهر الورقة أن هذا ينتج أشكالاً أنظف مع ثقوب أقل وتفاصيل أفضل، على الرغم من أن نموذج الذكاء الاصطناعي أصغر حجماً وتم تدريبه على بيانات أقل من العمالقة السابقين.

الميزة الأولى: "مقياس عدم اليقين" (معرفة ما لا تعرفه)

أحد أروع ميزات DVD هو أنه لا يخمن فحسب، بل يعرف مدى ثقته.

التشبيه: تخيل خبير الأرصاد الجوية. قد يقول النموذج المستمر: "هناك احتمال 50% لهطول الأمطار"، وهو أمر غامض. أما نموذج DVD فيعمل كخبير أرصاد يقول: "أنا متأكد بنسبة 99% من هطول الأمطار هنا، لكنني متأكد بنسبة 51% فقط بشأن هذه البقعة الصغيرة هناك".
كيف يساعد ذلك: تستخدم الورقة هذا "مقياس الثقة" (الذي يسمى الإنتروبيا - entropy) لتحديد الأجزاء الصعبة في الشكل ثلاثي الأبعاد. إذا كان الذكاء الاصطناعي مرتبكاً بشأن منطقة معينة (مثل المقبض الرفيع لطفاية الحريق)، فإنه يضع علامة عليها. هذا يسمح للنظام بتصفية البيانات السيئة أو التركيز على تحسين الأجزاء الصعبة من الشكل.

الميزة الثانية: التعديل باستخدام "الاضطرابات ذات الهيكل الكتلي"

أحياناً تريد تغيير جزء من مجسم ثلاثي الأبعاد، مثل تحويل سقف مسطح إلى سقف مدبب، دون إعادة بناء الشيء بأكمله.

الطريقة القديمة: لتعديل مجسم ثلاثي الأبعاد، كانت الطرق السابقة غالباً ما تضطر لإعادة أخذ عينات (resampling) للمجسم بالكامل مراراً وتكراراً، وهو أمر بطيء ومكلف حاسوبياً. الأمر يشبه محاولة إصلاح ثقب في جدار عن طريق هدم المنزل بأكمله وإعادة بنائه.
طريقة DVD: قدم المؤلفون خدعة تسمى الاضطراب ذو الهيكل الكتلي (Block-Structured Perturbation).
- التشبيه: تخيل أنك ترسم لوحة جدارية. بدلاً من إعادة طلاء الجدار بالكامل لإصلاح زهرة واحدة، تضع قالباً (كتلة) فوق منطقة الزهرة فقط وتعيد طلاء تلك الكتلة فقط.
- كيف يعمل: تم تدريب الذكاء الاصطناعي للتعامل مع هذه "الكتل" من التغيير. عندما تريد تعديل جزء من المجسم، يعامل الذكاء الاصطناعي تلك المنطقة كـ "كتلة تالفة" ويقوم بملئها مع إبقاء بقية المجسم سليماً تماماً. يحدث هذا في تمريرة واحدة، مما يجعل التعديل سريعاً وسلساً.

ملخص الادعاءات

جودة أفضل: من خلال التعامل مع الـ voxels ثلاثية الأبعاد كمفاتيح بسيطة (تشغيل/إيقاف) بدلاً من الطين الناعم، تنتج هذه الطة ثقوباً أقل وتفاصيل أكثر حدة.
الكفاءة: تحقق هذه النتائج باستخدام نموذج أصغر وبيانات تدريب أقل من الطرق السابقة.
الشفافية: توفر "مقياس ثقة" مدمج يخبرك بالضبط أين يكون الشكل ثلاثي الأبعاد غامضاً أو صعب التوليد.
سهولة التعديل: تسمح بتعديل سريع لخطوة واحدة لأجزاء محددة من المجسم ثلاثي الأبعاد دون الحاجة لإعادة توليد المجسم بأكمله.

تخلص الورقة إلى أن هذا النهج "المنفصل" هو طريقة عملية وقوية لبناء الهيكل (السقالات) للأجسام ثلاثية الأبعاد قبل إضافة التفاصيل النهائية.

ملخص تقني: الانتشار الفوكسلي المنفصل (DVD) لتوليد وتعديل النماذج ثلاثية الأبعاد

1. بيان المشكلة

اعتمدت التطورات الأخيرة في النمذجة التوليدية ثلاثية الأبعاد بشكل متزايد على مسارات SLAT (اللاطنت الهيكلي - Structured LATent)، والتي تعمل على مرحلتين: أولاً توليد سقالة فوكسلية (voxel scaffold) متفرقة لتحديد الشكل الأولي، وثانياً التنبؤ بميزات لاطنت مستمرة ملحقة بالفوكسلات النشطة لفك التشفير عالي الدقة إلى شبكات (meshes)، أو 3DGS، أو NeRFs.

ومع ذلك، تعتمد المرحلة الأولى من هذه المسارات عادةً على نماذج انتشار مستمرة (continuous diffusion models) تعمل على لاطنت الـ VAE. يفرض هذا النهج تحويلاً من مستمر إلى منفصل حيث يتم توليد إشغال الفوكسل بشكل مستمر ثم تحويله إلى قيم منفصلة عبر العتبة (thresholding). يحدد المؤلفون عدة مشكلات حرجة لهذا النموذج:

العيوب (Artifacts): الأخطاء الصغيرة بالقرب من عتبة التثني (binarization threshold) يمكن أن تقلب الفوكسلات من مشغولة إلى فارغة (أو العكس)، مما يخلق ثقوباً محلية أو أجزاءً غير متصلة تستمر عبر عملية إنشاء الشبكة (meshing).
عدم المحاذاة (Misalignment): البنية الأصلية لإشغال الفوكسل هي متفرقة وثنائية، ومع ذلك يتم نمذجتها كتوزيع مستمر، مما يقلل من قابلية التفسير ويعقد عمليات التعديل اللاحقة.
عدم اليقين (Uncertainty): تقرب النماذج المستمرة التوزيعات الغاوسية (Gaussian posteriors)، مما يجعل من الصعب تحديد عدم اليقين بشكل صريح أو تحديد المناطق الهندسية الغامضة.

يفترض البحث أن نمذجة إشغال الفوكسل المتفرق مباشرة كـ بيانات منفصلة (discrete data) هو نهج أكثر طبيعية وفعالية لهذه المهمة الفرعية.

2. المنهجية

2.1 الانتشار الفوكسلي المنفصل (DVD)

المساهمة الجوهرية هي إطار عمل الانتشار المنفصل (Discrete Diffusion) المطبق على المرحلة الأولى من مسارات SLAT. بدلاً من توليد لاطنت مستمرة، يعامل DVD شبكة الفوكسل $X \in \{0, 1\}^{N \times N \times N}$ كسلسلة من الرموز (tokens) المنفصلة.

الانتشار المنفصل ذو الحالة الموحدة (USDM): يتبنى المؤلفون نماذج USDM، حيث يكون التوزيع المسبق موحداً عبر جميع الحالات الممكنة (مشغول أو فارغ). العملية الأمامية تعيد تعيين كل فوكسل عشوائياً إلى 0 أو 1 بناءً على احتمالية تعتمد على الزمن.
العملية العكسية: يتنبأ النموذج بالتوزيع الفئوي $q(x_0 | x_t)$ عبر الحالات النظيفة بناءً على عينة مشوشة. وعلى عكس الانتشار المستمر الذي يقدر المتوسط، يقوم النموذج المنفصل بإخراج توزيع احتمالي لكل حالة فوكسل بشكل صريح.
أخذ العينات (Sampling): تتم عملية التوليد عبر أخذ العينات السلفي (ancestral sampling)، من خلال سحب عينات من التوزيع اللاحق التنبئي عند كل خطوة زمنية.

2.2 تقدير عدم اليقين

ميزة فريدة للنموذج المنفصل هي الوصول الصريح إلى التوزيع الفئوي التنبئي. يستفيد المؤلفون من الإنتروبيا التنبؤية (predictive entropy) كمقياس قوي لعدم اليقين:

على مستوى الفوكسل: تشير الإنتروبيا العالية إلى المناطق الغامضة حيث لا يكون النموذج متأكداً مما إذا كان يجب أن يكون الفوكسل مشغولاً أم لا.
على مستوى الشكل: من خلال تجميع إنتروبيا الفوكسلات (تحديداً عند خطوة زمنية قريبة من الصفر $t=\epsilon$ )، يستخرجون درجة عدم يقين خفيفة الوزن ( $\gamma_{\epsilon, \rho}$ ). ترتبط هذه الدرجة بالتعقيد الهندسي ويمكن استخدامها لتصفية البيانات، وتقييم الجودة، وتحديد العينات "الصعبة".

2.3 الاضطراب المهيكل بالكتل (BSP) للتعديل

النماذج المنفصلة القياسية تُدرب باستخدام ضجيج متجانس مكانياً، مما يجعلها غير مناسبة لعمليات الترميم (inpainting) أو التعديل حيث تكون مناطق معينة محجوبة (معروفة) وأخرى تالفة. لسد هذه الفجوة بين التدريب والاستنتاج، يقترح المؤلفون الاضطراب المهيكل بالكتل (Block-Structured Perturbation - BSP):

الاستراتيجية: أثناء الضبط الدقيق (fine-tuning)، بدلاً من اضطراب الفوكسلات الفردية بشكل مستقل، يتم تدريب النموذج على مكعبات فائقة (hypercubes) محاذية للمحاور (كتل) ذات مقاييس متفاوتة.
الآلية: يتم اختيار كتل عشوائية وإتلافها، بينما يظل باقي الحجم سليماً إلى حد كبير. هذا يحاكي سيناريوهات التعديل المحلي، مما يجبر النموذج على تعلم توليد هياكل متسقة مع سياق نظيف.
الكفاءة: يسم la هذا على تعديل وتدقيق في جولة واحدة دون الحاجة إلى استراتيجيات إعادة أخذ العينات التكرارية (مثل RePaint) أو تقييمات إضافية للشبكة.

3. المساهمات الرئيسية

الانتشار المنفصل لتوليد الفوكسل المتفرق: يقدم البحث صياغة انتشار منفصل للمرحلة الأولى من مسارات SLAT. يتجنب هذا النهج عيوب عتبة التحويل من مستمر إلى منفصل، محققاً أداءً محسناً في معظم المقاييس مع حجم نموذج أصغر وبيانات تدريب أقل مقارنة بالنماذج المستمرة الأساسية.
نمذجة عدم اليقين الصريحة: يوضح المؤلفون أن الانتشار المنفصل يوفر احتمالات تنبؤية أصلية، مما يسمح باشتقاق درجة عدم يقين تعتمد على الإنتروبيا. تنجح هذه الدرجة في تحديد المناطق الهندسية الغامضة وتعمل كوكيل لتعقيد الشكل.
تعديل الفوكسل الفعال عبر BSP: تم اقتراح استراتيجية ضبط دقيق مبتكرة باستخدام الاضطرابات المهيكلة بالكتل. يتيح ذلك ترميماً وتعديلاً سلساً للفوكسل ضمن مسار أخذ عينات واحد، مع الحفاظ على السلامة الهيكلية دون حسابات إضافية.

4. النتائج التجريبية

قيم المؤلفون نموذج DVD في مهام تحويل الصورة إلى 3D وتحويل النص إلى 3D باستخدام مجموعات بيانات TripoSR و Toys4K، مقارنة بالنموذج المستمر الأساسي TRELLIS وطرق أخرى مثل Direct3D-S2 و TripoSR.

الأداء الكمي: تفوق DVD على النموذج المستمر الأساسي (TRELLIS) في معظم مقاييس التقييم، بما في ذلك:
- FID (سواء $FID_D$ لصور الرندرة أو $FID_{PC}$ للسحابة النقطية).
- مسافة تشامفر (Chamfer Distance) (سواء $CD$ أو $CD_V$ لمحاذاة الفوكسل مع الشبكة).
- درجة CLIP (المحاذاة مع المطالبة/Prompt).
- والجدير بالذكر أن هذه المكاسب تحققت باستخدام نموذج بـ ~400 مليون معلمة (مقابل ~550 مليون لـ TRELLIS) ومجموعة تدريب أصغر قليلاً.
التحسينات النوعية: أظهرت التصورات أن DVD قلل بشكل كبير من "الثقوب" والأجزاء غير المتصلة الشائعة في الطرق المستمرة، خاصة في الهياكل ذات الطبقات الرقيقة.
فائدة عدم اليقين: نجحت درجة عدم اليقين في تحديد المناطق المعقدة (مثل مقابض طفايات الحريق، وتفاصيل أسطح بيوت المشروم). وقد أدى استخدام هذه الدرجة لتعزيز البيانات (زيادة أخذ عينات الأشكال ذات عدم اليقين العالي) إلى تحسين جودة التوليد بشكل أكبر.
أداء التعديل: في مهام الترميم (inpainting)، نجح النموذج الذي تم ضبطه عبر BSP في إعادة بناء الهندسة المفقودة باتساق مكاني عالٍ، بينما أنتجت النماذج غير المضبوطة والأساليب المستمرة (حتى مع استخدام RePaint) هياكل مجزأة أو غير متوافقة.

5. الأهمية والادعاءات

يدعي البحث أن الانتشار الفوكسلي المنفصل هو نموذج أولي (prior) عملي وفعال للمرحلة الأولى في مسارات SLAT. تكمن أهميته في:

النمذجة الأصلية: مواءمة عملية التوليد مع الطبيعة المنفصلة والثنائية لإشغال الفوكسل، مما يلغي عيوب العتبة (thresholding).
قابلية التفسير: توفير نمذجة فئوية صريحة تسمح بفحص ديناميكيات التوليد واشتقاق مقاييس عدم اليقين، وهي أمور يصعب الحصول عليها في الانتشار المستمر.
الكفاءة: تمكين التعديل والترميم بكفاءة من خلال الضبط الدقيق (BSP) بدلاً من عمليات أخذ العينات التكرارية المعقدة.

يخلص المؤلفون إلى أنه بينما يتطلب الانتشار المنفصل مئات الخطوات لأخذ العينات (وهو ما يمثل عائقاً أمام التطبيقات في الوقت الفعلي)، فإنه يقدم انحيازاً استقرائياً (inductive bias) متفوقاً للسقالات الفوكسلية المتفرقة، مما يمهد الطريق لإنشاء أصول ثلاثية الأبعاد أكثر قوة وقابلية للتحكم. كما يُقترح في العمل المستقبلي التركيز على تسريع أخذ العينات وتوسيع هذه المبادئ لتشمل النمذجة المشتركة للميزات والفوكسلات (المنفصلة والمستمرة).