💻 computer science

RevealLayer: Disentangling Hidden and Visible Layers via Occlusion-Aware Image Decomposition

تقدم هذه الورقة البحثية إطار عمل RevealLayer، وهو إطار عمل قائم على الانتشار ومجهز بوحدات انتباه ومهايئات متخصصة، إلى جانب مجموعة بيانات ومعيار مرجعي جديد عالي الجودة، لتحقيق فصل دقيق بين الطبقات المخفية والظاهرة في الصور الطبيعية المعقدة.

المؤلفون الأصليون: Binhao Wang, Shihao Zhao, Bo Cheng, Qiuyu Ji, Yuhang Ma, Liebucha Wu, Shanyuan Liu, Dawei Leng, Yuhui Yin

نُشر 2026-05-13

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Binhao Wang, Shihao Zhao, Bo Cheng, Qiuyu Ji, Yuhang Ma, Liebucha Wu, Shanyuan Liu, Dawei Leng, Yuhui Yin

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 صورة لمشهد شارع مزدحم. في هذه الصورة، يقف شخص أمام سيارة، والسيارة مركونة أمام متجر. بالنسبة للكمبيوتر، هذا مجرد صورة مسطحة واحدة. ولكن بالنسبة للإنسان، نحن نفهم أن هذه عبارة عن ثلاث "طبقات" منفصلة موضوعة فوق بعضها البعض.

تقدم الورقة البحثية أداة ذكاء اصطناعي جديدة تسمى RevealLayer تعمل مثل آلة "تقشير" رقمية. مهمتها هي أخذ تلك الصورة المسطحة الواحدة وفصل طبقاتها مرة أخرى (الشخص، السيارة، المتجر) حتى تتمكن من تحريرها بشكل مستقل.

إليك كيف يعمل الأمر، مقسماً إلى مفاهيم بسيطة:

المشكلة: فوضى "السباغيتي"

حاولت أدوات الذكاء الاصطناعي السابقة القيام بذلك عن طريق تقشير الطبقات واحدة تلو الأخرى، مثل تفكيك شطيرة.

أولاً، يجدون الشخص.
ثم، يحاولون تخمين كيف يبدو الخلف ما وراء الشخص.
ثم، يجدون السيارة.

المشكلة هي أنه إذا ارتكبت الخطوة الأولى خطأً صغيراً (مثل ترك ظل صغير للشخص على الخلفية)، فإن هذا الخطأ ينتقل إلى الخطوة التالية. وبحلول الوقت الذي ينتهون فيه، تكون الصورة مليئة بـ "الأشباح"، والحواف الضبابية، والعيوب الغريبة. إنه يشبه محاولة فك عقدة من السباغيتي عن طريق شد خيط واحد؛ الأمر برمته يصبح أكثر فوضوية.

الحل: "المقشر المتزامن"

يغير RevealLayer قواعد اللعبة. بدلاً من تقشير الطبقات واحدة تلو الأخرى، فإنه ينظر إلى الصورة بأكملها ويحاول فصل جميع الطبقات في وقت واحد.

فكر في الأمر كساحر يسحب عدة أوشحة ملونة من قبعة واحدة في آن واحد، بدلاً من محاولة سحبها واحدة تلو الأخرى والأمل في ألا تتعقد القبعة.

لجعل هذا العمل ممكناً، بنى الباحثون ثلاث "أدوات" خاصة داخل الذكاء الاصطناعي:

"حافظ المنطقة" (الانتباه المدرك للمنطقة - Region-Aware Attention):
تخيل أنك في غرفة مزدحمة، وتحتاج إلى الاستماع لصديقك فقط، مع تجاهل الجميع الآخرين. هذه الأداة تخبر الذكاء الاصطناعي: "ركز فقط على البكسلات داخل هذا الصندوق المحدد (الشخص) وتجاهل البكسلات الخاصة بالسيارة". هذا يمنع الذكاء الاصطناعي من الارتباك وخلط ميزات الأشياء المختلفة.
"محقق السياق" (المحول الموجه بالانسداد - Occlusion-Guided Adapter):
أحياناً، يكون جزء من جسم ما مخفياً خلف جسم آخر (انسداد). إذا كان الشخص يحجب السيارة، فعلى الذكاء الاصطناعي تخمين كيف يبدو الجزء المخفي من السيارة. تعمل هذه الأداة كمحقق ينظر إلى القرائن المحيطة (الأجزاء المرئية من السيارة والخلفية) ليكمل "الفراغات" بذكاء للأجزاء المخفية، مما يضمن أن تبدو السيارة كاملة حتى حيث كانت مغطاة.
"المُحَدّد" (خسارة التركيب - Composite Loss):
عندما تفصل الطبقات، يمكن أن تصبح الحواف أحياناً ضبابية أو غير واضحة. تعمل هذه الأداة مثل مسطرة وقلم ممحاة عالي الدقة. فهي تجبر الذكاء الاصطناعي على رسم خطوط حادة ونظيفة بين الطبقات وتضمن عدم وجود أي "لطخات" متبقية من الشخص على الخلفية.

"مدرسة التدريب" الجديدة (RevealLayer-100K)

لتعليم هذا الذكاء الاصطناعي كيفية القيام بمثل هذه المهمة الصعبة، أدرك الباحثون أنهم بحاجة إلى مكتبة ضخمة من الأمثلة. المكتبات الموجودة كانت صغيرة جداً أو تحتوي فقط على رسومات كرتونية بسيطة.

لذا، قاموا ببناء RevealLayer-100K:

كيف صنعوه: استخدموا فريقاً من الروبوتات المؤتمتة (خوارزميات الذكاء الاصطناعي) للعثور على الصور، وقص الأشياء، وتخمين الطبقات. ثم جعلوا خبراء بشريين يراجعون العمل للتأكد من كماله.
النتيجة: مجموعة بيانات ضخمة تضم 100,000 صورة واقعية معقدة حيث كل طبقة منها مصنفة بدقة تامة. كما أنشأوا "امتحاناً اختبارياً" يسمى RevealLayerBench لمعرفة مدى أداء الذكاء الاصطناعي في المشاهد الصعبة والمزدحمة.

النتائج

عندما اختبروا RevealLayer مقابل أفضل الطرق الأخرى:

خلفيات أنظف: عندما تمت إزالة جسم ما، بدت الخلفية طبيعية، دون ظلال غريبة أو أشكال "أشباح".
حواف أكثر حدة: كانت الخطوط حيث تلتقي الأشياء بالخلفية حادة ونظيفة، وليست ضبابية.
"ترميم" أفضل: عندما كان هناك جسم مخفي خلف جسم آخر، كان RevealLayer أفضل في تخمين وإعادة بناء الأجزاء المخفية.

باختًا، RevealLayer هو طريقة جديدة تجعل الكمبيوتر يفهم أن الصورة هي في الواقع مجموعة من الصفائح الشفافة المكدسة. ومن خلال النظر إلى المجموعة بأكملها في وقت واحد واستخدام أدوات خاصة للحفاظ على انفصال الطبقات وملء الأجزاء المخفية، فإنه ينشئ صوراً أنظف بكثير وأكثر قابلية للتحرير من أي وقت مضى.

ملخص تقني: RevealLayer

بيان المشكلة

أدت نماذج الانتشار (Diffusion models) الحديثة إلى تقدم كبير في توليد الصور، لكنها لا تزال مصممة بشكل أساسي لإنتاج طبقة RGB واحدة، مما ترك نمذجة الصور متعددة الطبقات غير مستكشفة إلى حد كبير. إن تفكيك صورة طبيعية معقدة إلى خلفية وعدة طبقات أمامية (RGBA) شفافة يعد أمراً صعباً بسبب الحاجة إلى التعامل مع حالات الاحتجاب المعقدة، واستيعاب تسلسل الأجسام، وإكمال المحتوى المفقود مع الحفاظ على الاتساق عبر المناطق المرئية.

تواجه الأساليب الحالية قيوداً كبيرة:

خطوط المعالجة المتتالية (Cascaded Pipelines): تعاني الطرق التي تقوم بتنفيذ عمليات التقسيم (Segmentation)، وتعتيم ألفا (Alpha matting)، والترميم (Inpainting) بشكل متتابع من تراكم الأخطاء، مما يؤدي إلى تراكم العيوب وتدهور اتساق الطبقات، خاصة في المناطق المحجوبة بكثافة.
نماذج الانتشار المتكاملة (End-to-End Diffusion Models): بينما تعمل أطر عمل مثل LayerD وOmniPSD على تخفيف تراكم الأخطاء من خلال التنبؤ بالطبقات بشكل مشترك، إلا أنها غالباً ما تفتقر إلى التوجيه الصريح من المستخدم، مما يوفر تحكماً محدوداً في دلالات الطبقات وترتيبها. وتواجه طرق أخرى (مثل Qwen-Image-Layered وCLD) صعوبة في التعامل مع الدلالات الغامضة للطبقات، أو بقايا العيوب، أو تكون مقيدة بالصور ذات الأنماط الفنية (Stylized) بدلاً من المشاهد الطبيعية المعقدة.
ندرة البيانات: يعوق هذا المجال نقص البيانات عالية الجودة وواسعة النطاق للصور الطبيعية متعددة الطبقات، مما يحد من تدريب وتقييم نماذج التفكيك القوية.

المنهجية

يقترح المؤلفون RevealLayer، وهو إطار عمل قائم على الانتشار يقوم بتفكيك صورة RGB مدخلة إلى طبقات RGBA متعددة تحت توجيه صناديق الإحاطة (Bounding-box) المحددة من قبل المستخدم. يعتمد إطار العمل على بنية FLUX.1 [dev] (باستخدام MM-DiT كعمود فقري) ويتضمن ثلاثة مكونات تقنية رئيسية:

1. الانتباه المدرك للمنطقة (Region-Aware Attention - RAA)

لمعالجة مشكلة تداخل ميزات ما بين الطبقات في آليات الانتباه الذاتي القياسية، يقدم RevealLayer وحدة "الانتباه المدرك للمنطقة". تفرض هذه الوحدة قيداً هيكلياً على التفاعلات بين الرموز (Tokens) عبر قناع انتباه.

الآلية: يتحكم القناع $M$ في التفاعلات بين رموز الاستعلام $q$ ورموز المفتاح $k$ ، مما يضمن أن الرموز المستمدة من النص الوصفي (Prompt) والصورة العالمية يمكنها التفاعل مع جميع الطبقات، ولكن الرموز الخاصة بطبقة معينة $L_i$ تنتبه بشكل أساسي إلى طبقتها الخاصة والمنطقة المكانية المقابلة $R_i$ من الصورة العالمية.
الهدف: يعزز هذا التفاعل المتسق للمنطقة، ويقلل من اختلاط ميزات الطبقات، ويمكّن من الفصل القوي بين الطبقات.

2. المهايئ الموجه للاحتجاب (Occlusion-Guided Adapter - OGA)

بينما يعمل RAA على فصل الطبقات، فإن توليد محتوى متسق بصرياً داخل المناطق المتداخلة يظل أمراً صعباً. تعمل وحدة OGA على تعزيز التماسك الدلالي من خلال دمج المعلومات المحلية من الصورة الأصلية.

الآلية: بعد كتلة DoubleAttnBlock، تقوم وحدة OGA بدمج ميزات الصورة الشرطية ( $z_c$ ) مع التمثيلات الكامنة لكل طبقة ( $z_t^i$ ) على طول البعد القنوي (Channel dimension). وهي تطبق انتباهاً ذاتياً باستخدام قناع خاص بكل طبقة $M_i$ لتعزيز التماسك الدلالي، مما ينتج تمثيلاً كامناً محدثاً.
الهدف: الاستفادة من المعلومات السياقية لتحسين إعادة بناء المناطق المحجوبة والمتداخلة.

3. دالة الخسارة المركبة (Composite Loss Function)

لفرض حدود حادة وتقليل بقايا العيوب، تجمع دالة التدريب بين ثلاثة حدود للخسارة:

خسارة مطابقة التدفق (Flow Matching Loss - $L_{FM}$ ): الهدف القياسي لعملية الانتشار.
خسارة ألفا ذات القيد الصلب (Hard-Constraint Alpha Loss - $L_{\alpha}$ ): عقوبة من نوع "Focal-style" تُطبق على قناة ألفا لتنقية توليد المقدمة وضمان دقة الحدود على مستوى البكسل. وهي تركز على بكسلات الحدود الصعبة لتشجيع الحواف الأكثر حدة.
خسارة التعامد ذات القيد الناعم (Soft-Constraint Orthogonality Loss - $L_{orth}$ ): خسارة قائمة على جيب التمام (Cosine-based) في مساحة البكسل مصممة لتثبيط التفاعلات غير المرغوب فيها بين الطبقات والعيوب المرتبطة بالهدف من خلال منع بقايا المقدمة ذات الارتباط الهيكلي منخفض التردد.

4. بناء مجموعة البيانات (RevealLayer-100K & RevealLayerBench)

لدعم التدريب والتقييم، قام المؤلفون ببناء:

RevealLayer-100K: مجموعة بيانات واسعة النطاق لصور المشاهد الطبيعية مع تسميات RGBA عالية الجودة. تم إنشاؤها عبر خط معالجة يتضمن خوارزميات مؤتمتة (Qwen3-VL، Florence-2، SAM-H، Qwen-Image-Edit، ViTMatte) ومراجعة بشرية دقيقة لضمان اتساق الخلفية ودقة استعادة الاحتجاب.
RevealLayerBench: معيار (Benchmark) للتقييم المنهجي على تخطيطات متعددة الطبقات معقدة.

المساهمات الرئيسية

إطار عمل RevealLayer: إطار عمل انتشار قابل للتحكم، موجه بصناديق الإحضاء، لتفكيك الصور الطبيعية إلى طبقات RGBA، قادر على التعامل مع الاحتجابات المعقدة والحفاظ على اتساق الطبقات.
نموذج الإدراك للاحتجاب: دمج الانتباه المدرك للمنطقة، والمهايئ الموجه للاحتجاب، ودالة خسارة مركبة لفصل المحتوى المرئي والمخفي واستعادة المناطق المحجوبة بفعالية.
مجموعة البيانات والمعيار: تقديم RevealLayer-100K وRevealLayerBench، لمعالجة ندرة بيانات الصور الطبيعية متعددة الطبقات عالية الجودة وتوفير معيار للتقييم المنهجي.

النتائج التجريبية

تظهر التجارب المكثفة أن RevealLayer يتفوق على الأساليب الحالية في مهام متعددة:

إزالة الأجسام (Object Removal): في اختبارات OBER-Test وRevealLayerBench، يحقق RevealLayer أفضل نتائج في مقاييس إعادة بناء الخلفية (أعلى PSNR وSSIM، مع منافسة في LPIPS وFID) مقارنة بطرق مثل PowerPaint وSmartEraser وOmniPaint. وهو يزيل بفعالية بقايا العيوب والمناطق المهلوسة.
تعتيم الصورة (Image Matting): في AIM-500 وRefMatte-RW100، تحقق الطريقة أداءً فائقاً في دقة قناة ألفا (أقل MSE، MAD، SAD) مقارنة بنماذج التقسيم العامة (متغيرات SAM) ونماذج التعتيم المتخصصة (MAM)، مع موازنة الدقة، وحدّة الحواف، واتساق المحتوى.
التفكيك متعدد الطبقات (Multi-Layer Decomposition): في RevealLayerBench، يتفوق RevealLayer بشكل كبير على Qwen-Image-Layered وCLD في فصل الخلفية والمقدمة، وجودة التوليد، ودقة ألفا. كما يحقق Soft IoU أعلى ودرجات متفوقة في مقاييس Q-Insight (الاتساق، الدقة، القابلية للتعديل).
المتانة (Robustness): يظهر النموذج متانة معقولة تجاه اضطرابات صناديق الإحاطة (مثل الإزاحات الطفيفة أو تغيرات الحجم)، رغم أن الأداء يتراجع مع عدم الدقة الشديدة.

الأهمية

يزعم البحث أن RevealLayer يمثل خطوة هامة للأمام في تفكيك الطبقات القابل للتحكم والمدرك للاحتجاب للمشاهد الطبيعية الواقعية. ومن خلال تجاوز خطوط المعالجة المتتالية والنماذج المتكاملة غير الموجهة، فإنه يقدم حلاً مرناً وقوياً يتيح فصلاً دقيقاً للطبقات واستعادة موثوقة للمحتوى المحجوب. يضع هذا العمل معياراً ومجموعة بيانات جديدة، مما يسهل الأبحاث المستقبلية في نمذجة الصور متعددة الطبقات والتطبيقات النهائية مثل إزالة الأجسام، والتعتيم، والترميم، وتحرير الصور القائم على الطبقات. يقر المؤلفون بأن التحديات لا تزال قائمة في حالات صناديق الإحاطة غير الدقيقة للغاية، والاحتجاب الكثيف، والمناطق الشفافة، والأنسجة المتكررة الكثيفة، معتبرين إياها مجالات للعمل المستقبلي.