🤖 AI

HetScene: Heterogeneity-Aware Diffusion for Dense Indoor Scene Generation

تُعد HetScene إطار عمل انتشار ثنائي المراحل يراعي عدم التجانس، يعمل على تحسين توليد المشاهد الداخلية الكثيفة من خلال تفكيك الأشياء إلى فئات أولية وثانوية لإنشاء هيكل هيكلي عالمي مستقر أولاً ثم تخليق تخطيطات سياقية مفصلة، مما يتغلب على قيود الطرق الحالية في نمذجة التبعيات المكانية المعقدة والواقعية الفيزيائية.

المؤلفون الأصليون: Zini Chen, Junming Huang, Rong Zhang, Jiamin Xu, Cheng Peng, Chi Wang, Weiwei Xu

نُشر 2026-05-14

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Zini Chen, Junming Huang, Rong Zhang, Jiamin Xu, Cheng Peng, Chi Wang, Weiwei Xu

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 مهندس معماري تحاول تصميم غرفة معيشة مزدحمة وواقعية للعبة فيديو أو لمحاكي تدريب روبوت. التحدي لا يقتصر فقط على اختيار الأثاث؛ بل في كيفية وضع أريكة ضخمة، وطاولة طعام، ورف كتب معاً، ثم ملء الفراغات بالتفاصيل الصغيرة مثل الوسائد، والكتب، والمصابيح دون أن يبدو كل شيء عائماً في الهواء أو متصادماً مع بعضه البعض.

تجادل ورقة بحثية بعنوان "HetScene" بأن معظم أدوات الذكاء الاصطناعي الحالية تحاول القيام بكل هذا دفعة واحدة، مثل محاولة رسم الغرفة بأكملة بضربة فرشاة واحدة. هذا الأسلوب يعمل بشكل جيد في الغرف الفارغة، ولكن عندما تصبح الغرفة مزدحمة بمئات العناصر، يصاب الذكاء الاصطناعي بالارتباك؛ إذ يكافح لتحقيق التوازن بين "الصورة الكبيرة" (أين تذهب الجدران والأثاث الكبير) وبين "التفاصيل الصغيرة" (أين تذهب الأشياء الصغيرة).

الفكرة الجوهرية: نهج "الهيكل واللحم"

يقترح المؤلفون طريقة جديدة تسمى HetScene تقسم المهمة إلى مرحلتين متميزتين، حيث تعامل الأشياء الكبيرة والأشياء الصغيرة بشكل مختلف. هم يسمون هذا النهج "المدرك للتباين" (heterogeneity-aware)، وهو مجرد تعبير معقد يعني: "نحن نعلم أن هذه الأشياء مختلفة، لذا دعونا نتعامل معها بشكل مختلف".

فكر في الأمر كبناء منزل:

المرحلة الأولى: الهيكل (توليد المخطط الهيكلي)
أولاً، يقوم الذكاء الاصطناعي ببناء "هيكل" الغرفة. هو يركز فقط على الأشياء الأساسية (Primary Objects): وهي القطع الكبيرة والثقيلة مثل الأسرة، والأرائك، وطاولات الطعام، والخزائن.

التشبيه: تخيل أنك ترتب قطع أحجية (Puzzle) كبيرة. أنت تضع قطع الزوايا الكبيرة والأشكال المركزية الضخمة أولاً. تتأكد من أن الطاولة بجانب الحائط وأن الأريكة تواجه التلفاز. في هذه المرحلة، يتجاهل الذكاء الاصطناعي الأشياء الصغيرة تماماً؛ هو فقط يضمن أن الغرفة لها هيكل منطقي وصلب.

المرحلة الثانية: اللحم والتفاصيل (توليد المخطط السياقي)
بمجرد تثبيت الأثاث الكبير في مكانه، ينتقل الذكاء الاصطناعي إلى الأشياء الثانوية (Secondary Objects): وهي العناصر الصغيرة والمتعددة مثل الكتب، والمصابيح، والوسائد، والزينة.

التشبيه: الآن بعد أن تم تحديد مكان الأثاث، تبدأ في التزيين. أنت تعلم أن المصباح يوضع على الطاولة، وأن الوسائد توضع على الأريكة. يستخدم الذكاء الاصطناعي "الهيكل" من المرحلة الأولى كدليل. هو لا يخمن أين يوضع المصباح؛ بل ينظر إلى الطاولة التي وضعها للتو ويقول: "آه، الطاولة هنا، إذن يجب أن يكون المصباح بجانبها مباشرة".

لماذا يعمل هذا بشكل أفضل؟

تدعي الورقة البحثية أن نماذج الذكاء الاصطناعي السابقة حاولت القيام بكلا الخطوتين في وقت واحد. الأمر يشبه محاولة ترتيب الأثاث ووضع التحف الصغيرة في نفس اللحظة تماماً. هذا يجعل الذكاء الاصطناعي يشعر بالإرهاق، وغالباً ما ينسى العناصر الصغيرة أو يضعها في أماكن مستحيلة (مثل مصباح يطفو في الهواء).

من خلال فصل المهام:

المرحلة الأولى تحل المسألة الرياضية الصعبة لـ "أين تذهب الأشياء الكبيرة؟" دون أن يتشتت انتباهها بالضجيج الناتج عن العناصر الصغيرة.
المرحلة الثانية تحل منطق "أين تذهب الأشياء الصغيرة؟" باستخدام الأشياء الكبيرة كخريطة.

السر الخفي: "الخريطة القابلة للتعلم"

لجعل هذا يعمل، يستخدم الذكاء الاصطناعي "رسم بياني للعلاقات" خاصاً به. فكر في هذا ككتيب تعليمات رقمي يخبر الذكاء الاصطناعي بكيفية ارتباط الأشياء ببعضها.

إذا قال النص الوصفي "غرفة طعام"، سيعرف الذكاء الاصطناعي أن الطاولة والكراسي هي "الأساسية" (الهيكل).
العناصر "الثانوية" (مثل قطعة زينة وسط الطاولة أو المناديل) يتم توليدها خصيصاً حول تلك الطاولة.

كما ابتكر المؤلفون حيلة "تعديل" (modulation) خاصة. في لغة الكمبيوتر، الأرقام التي تمثل حجم طاولة ضخمة تكون كبيرة جداً مقارنة بالأرقام الخاصة بكتاب صغير. إذا خلطت هذه الأرقام مباشرة، فإن الأرقام الكبيرة ستطغى على الصغيرة. تعمل الطريقة الجديدة مثل مفتاح التحكم في الصوت، حيث تخفض "صوت" الأثاث الكبير قليلاً حتى يتمكن الذكاء الاصطناعي من سماع الأثاث الصغير بوضوح، مما يضمن أن يندمج كل شيء في تصميم مثالي.

النتائج

عندما اختبروا هذا النظام على مجموعة بيانات ضخمة من الغرف ثلاثية الأبعاد (M3DLayout)، أنتجت HetScene غرفاً كانت:

أكثر واقعية: عدد أقل من الأشياء العائمة أو الأثاث العالق داخل الجدر walls.
أكثر كثافة: استطاعت التعامل مع غرف تحتوي على عشرات أو حتى مئات العناصر دون أن تنهار.
أفضل توافقاً: كانت الغرف تطابق الأوصاف النصية (مثل "منطقة تناول الطعام") بدقة أكبر من الطرق السابقة.

باختصار، HetScene يتوقف عن محاولة فعل كل شيء في وقت واحد. هو يبني الإطار أولاً، ثم يملأ التفاصيل، مما ينتج مشاهد داخلية تبدو كأماكن حقيقية مأهولة، وليست مجرد مجموعات عشوائية من الأشياء العائمة.

ملخص تقني: HetScene

بيان المشكلة

يعد توليد مشاهد داخلية ثلاثية الأبعاد قابلة للتحكم ومنطقية فيزيائياً متطلباً أساسياً لبناء بيئات محاكاة عالية الدقة للذكاء الاصطيناعي المتجسد (Embodied AI). وبينما أدت النهج الحديثة القائمة على البيانات والتي تستخدم نماذج التوليد الذاتي (auto-regressive) ونماذج الانتشار (diffusion models) إلى تحسين تنوع المخططات المولدة، إلا أنها تواجه قيوداً كبيرة عند التوسع لتشمل بيئات داخلية واقعية وكثيفة.

تعامل الطرق الحالية جميع الأشياء كعينات متجانسة ضمن عملية توليد موحدة. هذا "التوصيف المتجانس" يجبر النموذج على التعامل في آن واحد مع التخطيط العالمي على مستوى الغرفة (مثل محاذاة الجدر walls، والمناطق الوظيفية) والوضع المحلي للأشياء الصغيرة القائم على الدعم (support-aware placement). ونتيجة لذلك، تعاني هذه النماذج من:

القابلية للتوسع: غالباً ما تفشل في توليد مشاهد ذات أعداد كبيرة من الأشياء، مما يؤدي إلى إغفال الأشياء الصغيرة أو محدودية القدرة الاستيعابية.
المنطق الفيزيائي: يؤدي تشابك التبعيات العالمية والمحلية إلى ظهور عيوب مثل الأشياء العائمة، والتداخلات الهيكلية، وضعف التماسك المحلي.
عدم التطابق في النمذجة: تظهر المشاهد الواقعية تبايناً هيكلياً (structural heterogeneity)، حيث تلعب الأشياء أدواراً متميزة؛ فالأشياء الأساسية (مثل الأسرة، الطاولات) قليلة وتخضع لقيود عالمية، بينما الأشياء الثانوية (مثل المصابيح، الكتب) كثيفة وتعتمد محلياً على الأشياء الأساسية. وتفشل المسارات الحالية في نمذجة هذا التمييز بشكل صريح.

المنهجية

لمعالجة هذه التحديات، يقترح المؤلفون HetScene، وهو إطار عمل انتشار (diffusion framework) ثنائي المراحل يراعي التباين، يقوم بتفكيك توليد المشاهد الداخلية إلى توليد المخطط الهيكلي (SLG) وتوليد السياق (CLG).

1. التفكيك الهرمي

يفصل إطار العمل الأشياء صراحةً إلى مجموعتين منفصلتين بناءً على الأدوار الدلالية والمقاييس الهندسية:

الأشياء الأساسية ( $S_L$ ): قطع الأثاث الكبيرة والأساسية التي تشكل هيكل الغرفة. وهي قليلة العدد وتخضع لقيود عالمية.
الأشياء الثانوية ( $S_S$ ): عناصر أصغر وأكثر عدداً، تعتمد على الأشياء الأساسية للحصول على الدعم الفيزيائي والارتباط الدلالي.

2. مسار التوليد ثنائي المراحل

المرحلة الأولى: توليد المخطط الهيكلي (SLG)
- الهدف: توليد مخططات متماسكة عالمياً تحتوي فقط على الأشياء الأساسية.
- الاشتراط (Conditioning): يتم اشتراط النموذج على الأوصاف النصية، وأقنعة الغرفة الثنائية من منظور علوي (top-down binary room masks)، ورسم بياني للمشهد قابل للتعلم (LSG).
- الآلية: يقوم الـ LSG بتشفير العلاقات المكانية والقيود الطوبولوجية صراحةً كإشارة شرطية، مما يوجه التنظيم العالمي للغرفة.
المرحلة الثانية: توليد السياق (CLG)
- الهدف: تركيب الأشياء الثانوية الكثيفة حول المخطط الأساسي الثابت.
- الآلية: يعمل المخطط الأساسي المولد ( $\hat{X}_L$ ) كمرساة هندسية ثابتة (بدون ضوضاء الانتشار). يتم إزالة الضوضاء عن الأشياء الثانوية ( $X_S$ ) في تسلسل مدمج مع رموز (tokens) الأشياء الأساسية.
- نمذجة التبعية: من خلال الانتباه الذاتي متعدد الرؤوس (multi-head self-attention)، تقوم خانات الأشياء الثانوية بتجميع المعلومات من كل من الرموز الأساسية والرموز الثانوية الأخرى، مما ينمذج التبعيات طويلة المدى عبر المقاييس المختلفة وعلاقات الدعم المحلية.

3. الابتكارات الهيكلية الرئيسية

العمود الفقري لإزالة الضوضاء القائم على المحولات (Transformer-Based Denoising Backbone): استبدال نموذج 1D-UNet المستخدم في الأعمال السابقة (مثل DiffuScene) بمحول من نمط Point·E لإزالة انحياز الترتيب التسلسلي غير ذي الصلة بالمهمة. يتم حقن الإشارات الهندسية المكانية عبر ترميزات مكانية مشتقة من مواضع صناديق الإحاطة (bounding boxes) بدلاً من الترميزات الموضعية القياسية.
التعديل المكاني-الدلالي القابل للتعلم: لمنع الإشارات الهندسية الكبيرة عددياً من طغيان السمات الدلالية المنفصلة أثناء التدريب (وهي مشكلة شائعة في المشاهد الكثيفة)، قدم المؤلفون معامل قياس قابل للتعلم $\gamma_{pos}$ . يقوم هذا المعامل بوزن حقن التضمينات المكانية بشكل تكيفي، مما يضمن توازناً في التحسين والتقارب.
شرط الرسم البياني للمشهد القابل للتعلم (LSG): بدلاً من الاعتماد فقط على الانتباه الذاتي الضمني، يقوم الـ LSG بتشفير رسم بياني للعلاقات $G=(V, E)$ صراحةً، حيث تمثل الرؤوس (vertices) حالات الأشياء وتمثل الحواف (edges) القيود المكانية الموجهة. تتم معالجة هذه العناصر عبر مشفر محول (Transformer encoder) خفيف الوزن وتجميعها في رمز رسم بياني عالمي للتوجيه عبر الانتباه المتقاطع (cross-attention).

النتائج التجريبية

تم تقييم الطريقة على معيار M3DLayout، وهو مجموعة بيانات واسعة النطوة متعددة المصادر تدمج 3D-FRONT وMatterport3D وInf3DLayout. تمت تصفية مجموعة البيانات لتشمل مشاهد تحتوي على ما يصل إلى 20 شيئاً أساسياً و100 شيء ثانوي.

الأداء الكمي: حقق HetScene أداءً هو الأفضل حالياً (state-of-the-art) عبر جميع مقاييس التقييم (مسافة Fréchet Inception [FID]، ومسافة Kernel Inception [KID]، ودرجات CLIP) على مجموعة الاختبار الكاملة وعبر مصادر البيانات الفردية (Inf3DLayout, MP3D, 3D-FRONT).
- على مستوى المستوى الأفقي (XZ plane)، قلل HetScene من درجة FID بنسبة تقارب 11.7% مقارًة بالمنهج الذي حل في المرتبة الثانية (DiffuScene).
- أظهر تفوقاً مستمراً في مقاييس العرض الجانبي (XY وYZ)، مما يشير إلى معالجة أفضل للهيكل الرأسي وتراكم الأشياء فوق بعضها.
دراسات الاستئصال (Ablation Studies):
- استبدال 1D-UNet بالعمود الفقري للمحول (Transformer) حسّن نمذجة التبعية العالمية.
- ساهم مسار التباين (heterogeneity-aware pipeline) (فصل توليد الأشياء الأساسية عن الثانوية) بشكل كبير في تخفيف صراعات التحسين الناتجة عن تباين المقاييس.
- عزز تضمين شرط LSG المنطق المكاني والتعقيد دون إضعاف الاتساق الدلالي للنص (ظلت درجات CLIP مستقرة).
النتائج النوعية: أظهرت المقارنات النوعية أن HetScene ينتج مخططات منطقية فيزيائياً ذات تعقيد عالٍ، متجنباً العيوب الشائعة مثل الأشياء العائمة أو التداخلات الهيكلية التي تظهر في النماذج المرجعية.

الأهمية والمساهمات

يزعم الورقة البحثية أن HetScene يمثل تحولاً من التوليد المتجانس إلى التوليد المراعي للتباين (heterogeneity-aware)، ويقدم المساهمات التالية:

تصميم إطار العمل: إطار عمل ثنائي المراحل يفصل بين التنظيم العالمي للغرفة وبين الوضع المحلي القائم على الدعم، مما يسمح بتوليد مشاهد واقعية قابلة للتوسع تحتوي على عشرات أو مئات الأشياء.
النمطية (Modularity): صُمم مرحلة توليد السياق (CLG) كعنصر قابل للتركيب والتشغيل (plug-and-play) يتوافق مع أي مخططات أولية خشنة سابقة.
استقرار التدريب: تم تحديد آلية التعديل المكاني-الدلالي القابلة للتعلم كضرورة تجريبية لتقارب توليد الأشياء الثانوية في السيناريوهات عالية الكثافة.
المنطق الفيزيائي: من خلال نمذجة التوزيعات الإحصائية والهندسية المتميزة للأشياء الأساسية والثانوية صراحةً، تحسن الطريقة من المنطق الفيزيائي للمشاهد المولدة، مما يعالج قيود النهج الحالية القائمة على البيانات في البيئات الكثيفة.

خلص المؤلفون إلى أن مبدأ التفكيك على المستوى الدلالي المعتمد في هذا العمل قابل للتطبيق على نطاق واسع ويمكن توسيعه ليشمل مهام التوليد الهيكلي والمخططات الأخرى التي تتضمن تنظيماً هرمياً.