💻 computer science

Orthogonal Negative Guidance in Attention Feature Space for Text-to-Image Generation

تقترح هذه الورقة "التوجيه السلبي المتعامد" (Orthogonal Negative Guidance)، وهي طريقة خالية من التدريب لتوليد الصور من النصوص، تعمل على كبح المفاهيم غير المرغوب فيها عن طريق تعميم ميزات انتباه المطالبة السلبية لتكون متعامدة بالنسبة للمطالب الإيجابية، مما يحقق إزالة فائقة للمفاهيم مع الحفاظ على جودة الصورة ومطابقة المطالبة.

المؤلفون الأصليون: Jungmin Ko, Jungwon Park, Jimyeong Kim, Changin Choi, Wonseok Lee, Wonjong Rhee

نُشر 2026-05-29

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Jungmin Ko, Jungwon Park, Jimyeong Kim, Changin Choi, Wonseok Lee, Wonjong Rhee

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 شيف ماهر (الذكاء الاصطناعي) موهوب للغاية في طهي الأطباق بناءً على وصفة معينة (النص المكتوب). يمكنك جعل "وعاء من الرامين" يبدو شهياً، ولكن هناك مشكلة: في كل مرة تصنع فيها الرامين، تضع تلقائياً بيضة مسلوقة، حتى لو لم يطلبها الزبون.

إذا قلت للشيف ببساطة، "لا بيض!" (أمر سلبي/Negative Prompt)، فقد يرتبك الشيف وقد يضع المزيد من البيض بالخطأ، أو قد يفسد الطبق بالكامل وهو يحاول تجنب البيض. هذا هو الصراع الحالي مع مولدات الصور بالذكاء الاصطناعي: إخبارهم بما لا يجب تضمينه هو أمر صعب بشكل مفاجئ.

تقدم هذه الورقة البحثية تقنية ذكية جديدة تسمى التوجيه السلبي المتعامد (Orthogonal Negative Guidance). وإليك كيف تعمل باستخدام تشبيهات بسيطة:

١. المشكلة: "الممحاة الخرقاء"

الأساليب الحالية لإزالة الأشياء غير المرغوب فيها (مثل "البيض" من "الرامين") تشبه استخدام ممحاة ضخمة وخرقاء على رسمة.

نهج "نفي الوصف" (Prompt Negation): أنت تقول فقط "لا بيض". غالباً ما يتجاهلك الذكاء الاصطناعي أو يرتبك.
نهج "الطرح" (Subtraction): تحاول بعض الأساليب طرح فكرة "البيض" من فكرة "الرامين". ولكن تخيل لو أن كلمة "البيض" وكلمة "الرامين" مكتوبتان بنفس الحبر. إذا حاولت مسح كلمة "البيض"، فقد تمسح بالخطأ أجزاءً من كلمة "الرامين" أيضاً، مما يتركك بصورة باهتة ومكسورة.

٢. الحل: "الفلتر الذكي" (التوجيه السلبي المتعامد)

الأسلوب الذي يقترحه المؤلفون يعمل مثل فلتر ذكي أو منخل متخصص. بدلاً من المسح العشوائي، فإنه ينظر إلى "المكونات" (الميزات الرياضية) التي يستخدمها الذكاء الاصطناعي لبناء الصورة.

الإعداد: يقوم الذكاء الاصطناعي ببناء الصورة باستخدام مسارين من المعلومات:
1. المسار الإيجابي: "اصنع وعاء من الرامين".
2. المسار السلبي: "لا تصنع بيضة".
الخدعة السحرية (التعامد - Orthogonalization):
تخيل أن "الرامين" هو متجه (سهم) يشير إلى اتجاه معين. وسهم "لا بيض" هو سهم آخر.
- أحياناً، يشير سهم "لا بيض" في اتجاه يتداخل مع سهم "الرامين". إذا قمت فقط بطرح سهم "لا بيض"، فستفسد "الرامين".
- هذه الطريقة الجديدة تحسب سهم "لا بيض" وتقوم بتدويره بحيث يكون متعامداً تماماً (بزاوية 90 درجة) مع سهم "الرامين".
- بعد ذلك، تقوم فقط بإزالة الجزء من سهم "لا بيض" الذي يبرز جانباً (الجزء الذي لا يتداخل مع الرامين).

التشبيه: فكر في "الرامين" كشعاع ضوء أحمر، و"البيض" كشعاع ضوء أزرق. كلاهما يسلط الضوء على نفس الجدار.

الأساليب القديمة تحاول إطفاء الضوء الأز_، ولكن أثناء القيام بذلك، تجعل الضوء الأحمر خافتاً أيضاً.
هذه الطريقة الجديدة تجد الجزء من الضوء الأزرق الذي لا يسلط الضوء على الأحمر، وتقوم بحجب ذلك الجزء المحدد فقط. يبقى الضوء الأحمر (الرامين) ساطعاً وواضحاً، بينما يتم حجب الضوء الأز_ (البيض) تماماً.

٣. ما الذي يحققه هذا؟

بسبب دقة هذه الطريقة، يمكنها القيام بأشياء لا تستطيع الأساليب الأخرى القيام بها:

كبح المفاهيم المتعددة (Multi-Concept Suppression): يمكنك أن تطلب من الذكاء الاصطناعي إزالة "البيض" و"عيدان الأكل" في نفس الوقت، وسيتعامل مع كليهما دون إفساد وعاء الرامين.
القابلية للضبط (Adjustable Strength): يمكنك تدوير "مقبض" لتحديد مقدار رغبتك في كبح البيض. يمكنك الانتقة من "ربما لا يوجد بيض" إلى "بالتأكيد لا يوجد بيض" دون أن تتحول الصورة إلى شيء مشوه.
لا حاجة لإعادة التدريب: الجزء الأفضل هو أن هذا لا يتطلب إعادة تعليم الذكاء الاصطناعي. إنها خدعة "وصل وشغل" (Plug-and-play) تُطبق أثناء صنع الصورة.

٤. النتائج

اختبر المؤلفون هذا على اختبار مرجعي يسمى DCS-Bench (اختبار كبح المفاهيم المتنوعة)، وهو بمثابة اختبار يحتوي على 200 سيناريو مختلف (على سبيل المثال، "طبيب" بدون "سماعة طبية"، أو "غرفة معيشة" بدون "أريكة").

النتيجة: في الاختبارات البشرية، فضل الناس هذه الطة الجديدة على أفضل الخيارات الأخرى بنسبة تقارب 19%.
الجودة: لم تكن الصور باهتة أو غريبة. ظل "الرامين" يبدو كالرامين، ولكن بدون "البيض" غير المرغوب فيه.

ملخص

باختصار، تحل هذه الورقة البحثية مشكلة "إخبار الذكاء الاصطناعي بما لا يجب رسمه" باستخدام خدعة رياضية لفصل الأفكار "السيئة" عن الأفكار "الجيدة" قبل أن تختلط معاً. الأمر يشبه وجود حارس عند ملهى ليلي يعرف تماماً كيف يمنع الضيف غير المرغوب فيه (البيضة) من الدخول دون أن يطرد بالخطأ كبار الشخصيات (الرامين).

ملخص تقني: التوجيه السلبي المتعامد في فضاء سمات الانتباه لتوليد الصور من النصوص

بيان المشكلة

بينما حققت نماذج تحويل النص إلى صورة (T2I) تقدماً كبيراً في توليد صور عالية الجودة، لا يزال فرض غياب كائنات أو سمات معينة بشكل صريح يمثل تحدياً جوهرياً. تعاني الاستراتيجيات الحالية من قيود ملحوظة:

نفي المطالبة (Prompt Negation): غالباً ما يفشل مجرد إدراج كلمات مثل "لا" أو "بدون"، حيث قد يتسبب ذلك أحياناً في جعل النموذج يولد المفهوم المنفي بشكل أكثر تكراراً مما لو لم يتم النفي.
خطوط أنابيب "التوليد ثم التعديل" (Generate-and-Edit Pipelines): تقوم هذه الطرق بتوليد صورة أولاً ثم تستخدم نماذج تعديل لإزالة المفاهيم غير المرغوب فيها. ومع ذلك، ولأن نماذج التعديل مدربة على الحفاظ على التكامل المكاني والهيكلي، فإنها تجد صعوبة في إزالة المفاهيم التي تتطلب إعادة تنظيم هيكلي كبير للمشهد.
التوجيه السلبي القياسي: تقنيات مثل توجيه التصنيف الخالي من الفئة (CFG) ومتغيراته (مثل NAG وNASA) توجه عملية التوليد بعيداً عن المطالبات السلبية عبر الطرح الخطي. ومع ذلك، فإنها غالباً ما تطرح الإشارة السلبية بالكامل، مما قد يؤدي إلى تدهور التوافق مع المطالبة الإيجابية والجودة الإجمالية للصورة قبل أن يتم كبح المفهوم غير المرغوب فيه بشكل كافٍ.

المنهجية

يقترح المؤلفون التوجيه السلبي المتعامد (Orthogonal Negative Guidance)، وهو طريقة خالية من التدريب مصممة لنماذج تحويل النص إلى صورة ذات التدفق المصحح (rectified flow) القائمة على بنيات محولات الانتشار متعددة الوسائط (MM-DiT) (مثل FLUX-dev وFLUX-schnell). تعمل الطريقة ضمن فضاء سمات الانتباه لتثبيط المفاهيم غير المرغوب فيها مع الحفاظ على الدلالات المطلوبة.

الآلية الجوهرية

تتدخل الطريقة في مخرجات انتباه الصورة إلى النص ( $Z_{I2T}$ ) داخل كتل MM-DiT التي تتوسط التفاعلات عبر الوسائط. تتضمن العملية فرعين متوازيين:

الفرع الإيجابي: يحسب مخرجات الانتباه بناءً على مطالبة التوليد الأصلية ( $P^+$ ).
الفرع السلبي: يحسب مخرجات الانتباه بناءً على مطالبة سلبية مساعدة ( $P^-$ ) تحدد المفهوم المراد تثبيطه. ومن الأهمية بمكان أن هذا الفرع يعيد استخدام السمات من جانب الصورة ( $Q_I, K_I, V_I$ ) من الفرع الإيجابي لضمان المحاذاة المكانية، بينما يستخدم سماته الخاصة من جانب النص.

الطرح المتعامد

بدلاً من طرح مخرج الانتباه السلبي ( $Z_{I2T}^-$ ) مباشرة من المخرج الإيجابي ( $Z_{I2T}^+$ )، تعزل الطة وتزيل فقط مكون الإشارة السلبية الذي يكون متعامداً مع الإشارة الإيجابية. يتم حساب مخرج الانتباه المعدل $\widehat{Z}_{I2T}^+$ كما يلي:

$\widehat{Z}_{I2T}^+ = Z_{I2T}^+ - \alpha \cdot \left[ Z_{I2T}^- - \mathrm{proj}_{Z_{I2T}^+}(Z_{I2T}^-) \right]$

حيث أن:

$\alpha$ هو مقياس التوجيه.
$\mathrm{proj}_{Z_{I2T}^+}(\cdot)$ يمثل إسقاط المتجه السلبي على المتجه الإيجابي عبر البعد المخفي.

من خلال طرح المكون المتعامد فقط، تعمل الطريقة على تثبيط المعلومات الخاصة بالمفهوم غير المرغوب فيه دون التدخل في الاتجاهات الدلالية المتوافقة مع المطالبة الإيجية. تُطبق هذه العملية على جميع كتل MM-DiT بدءاً من خطوة زمنية محددة $\tau$ .

المساهمات الرئيسية

التوجيه السلبي المتعامد: تدخل مبتكر وخالٍ من التدريب في فضاء سمات الانتباه يعمل بفعالية على تثبيط المفاهيم غير المرغوب فيها عن طريق إزالة المكون المتعامد فقط من إشارات التوجيه السلبية، مما يحافظ على توافق المطالبة وجودة الصورة.
معيار تثبيط المفاهيم المتنوعة (DCS-Bench): قدم المؤلفون معياراً جديداً يضم 200 سيناريو تثبيط عبر ست فئات دلالية (مثل: مكان/مشهد، حدث/إجراء، كائنات متزامنة الظهور). وعلى عكس المعايير السابقة التي ركزت على الجودة الإدراكية (مثل "ضبابي")، يقيم DCS-Bench القدرة على تثبيط مفاهيم محددة تميل النماذج إلى الهلوسة بها.
تقييم شامل: أظهرت التجارب المكثفة على FLUX-dev وFLUX-schnell وStable Diffusion 3.5 Large أن الطريقة المقترحة تتفوق على خطوط الأساس الحالية للتوجيه السلبي (CFG وNASA وNAG وVSF) وخطوط أنابيب التوليد والتعديل (Kontext وQwen-Image-Edit وOmniGen2).

النتائج التجريبية

الأداء الكمي

باستخدام مقاييس تعتمد على نماذج اللغة الرؤية (VLM) (تثبيط المفهوم السلبي، توافق المطالبة، جودة الصورة)، تحقق الطريقة المقترحة أفضل توازنات:

التثبيط: في FLUX-dev، تحسن الطريقة تثبيط المفهوم السلبي بنسبة 15% على الأقل عن جميع طرق التوجيه السلبي السابقة.
التوافق والجودة: على عكس طرق الطرح الخطي التي تسبب تدهوراً في جودة الصورة أو توافق المطالبة، تحافظ الطريقة على درجات عالية في كلا المقياسين، بما يضاهي النموذج الأصلي.
التقييم البشري: في دراسة شملت 111 مشاركاً، حققت الطريقة درجة تفضيل بلغت 70.81%، متفوقة على ثاني أفضل خط أساس (NAG بنسبة 46.22%) بفارق 18.78%.

الملاحظات النوعية

تثبيط المفاهيم المتعددة: يمكن للطريقة تثبيط مفاهيم متعددة في آن واحد عن طريق سردها في مطالبة سلبية واحدة.
التثبيط القابل للضبط: من خلال تغيير مقياس التوجيه $\alpha$ ، يمكن للمستخدمين التحكم باستمرار في قوة التثبيط، وإزالة المفاهيم تدريجياً دون تدمير المشهد.
حالات الفشل: تواجه الطريقة أحياناً صعوبة في فئات "المكان/المشهد" و"الحدث/الإجراء" حيث يكون المفهوم متكاملاً بعمق في بنية المشهد (مثل الفشل في إزالة "أضواء الصندوق الناعم/softbox lights" تماماً من "استوديو تصوير احترافي").

الأهمية والادعاءات

يزعم البحث أن التوجيه السلبي المتعامد يمثل خطوة كبيرة للأمام في التوليد القابل للتحكم من النص إلى الصورة من خلال معالجة المقايضة بين تثبيط المفهوم والدقة الدلالية. ويؤكد المؤلفون أن طريقتهم:

لا تتطلب إعادة تدريب أو معاملات إضافية.
تتكامل بسلاسة مع بنيات محولات التدفق المصحح الحديثة.
توفر آلية أكثر صراحة لإزالة المفاهيم مقارنة بنفي المطالبة أو التعديل اللاحق.
تضع معياراً جديداً للتقييم عبر DCS-Bench، مما يسلط الضوء على عدم كفاية الطرق الحالية لسيناريوهات التثبيط المتنوعة في العالم الحقيقي.

يخلص المؤلفون إلى أنه على الرغم من أن طريقتهم ليست حلاً شاملاً لجميع مهام التعديل الهيكلي (حيث قد تظل خطوط أنابيب "التوليد والتعديل" مفضلة للتعديل التسلسلي)، إلا أنها تحسن بشكل كبير القدرة على توليد صور تلتزم بدقة بقيود المستخدم فيما يتعلق بـ غياب مفاهيم محددة.