💻 computer science

Stable-Layers: Fine-Tuning Image Layer Decomposition Models with VLM-Scored Reinforcement Learning

يُعد Stable-Layers إطار عمل للتعلم التعزيزي يقوم بضبط نماذج تفكيك طبقات الصور بدقة باستخدام تغذية راجعة مُقيمة بواسطة نماذج الرؤية واللغة (VLM) عبر مسار تقييم ثنائي المرحلة للتغلب على ضغط المكافأة، مما يؤدي إلى جودة فائقة في فصل الطبقات وإعادة البناء دون الحاجة إلى إشراف مقترن.

المؤلفون الأصليون: Ciara Rowles, Reshinth Adithyan, Nikhil Pinnaparaju, Vikram Voleti, Mark Boss

نُشر 2026-05-29

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Ciara Rowles, Reshinth Adithyan, Nikhil Pinnaparaju, Vikram Voleti, Mark Boss

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 لوحة فنية جميلة ومعقدة. في الوقت الحالي، هي مجرد صورة مسطحة على قماش اللوحة. إذا أردت تعديلها — كأن تنقل الشجرة إلى اليسار أو تغير لون السيارة — فسيتعين عليك استخدام "ممحاة سحرية" و"طلاء سحري" لقص الشجرة يدوياً وإعادة طلاء الخلفية. هذه العملية مرهقة وغالباً ما تبدو غير واقعية.

Stable-Layers هو أداة جديدة تقوم تلقائياً بتحويل تلك اللوحة المسطحة إلى مجموعة من "الطبقات" الشفافة المتراكمة (مثل الطبقات في برنامج فوتوشوب). طبقة تحتوي فقط على الشجرة، وأخرى تحتوي فقط على السيارة، وطبقة سفلية تحتوي على الخلفية مع "رسم" الأجزاء التي كانت موجودة خلف الشجرة والسيارة بالفعل. هذا يجعل التعديل سهلاً: ما عليك سوى رفع طبقة الشجرة وتحريكها.

ومع ذلك، فإن تعليم الكمبيوتر القيام بهذا الفصل بشكل مثالي أمر صعب للغاية. لا يوجد "نموذج إجابة" للصور الواقعية. إذا طلبت من الكمبيوتر فصل صورة لشخص على جسر، فهناك طرق عديدة للقيام بذلك، وليس لدينا مثال مثالي لنظهره للكمبيوتر ليعرف ما هو "الصحيح".

المشكلة: الكمبيوتر يقوم بالتخمين

بدأ المؤلفون بنموذج ذكي (يسمى Qwen-Image-Layered) كان جيداً بالفعل في هذا الأمر. لكنه لا يزال يرتكب الأخطاء. أحياناً كان:

يترك الخلفية سوداء أو ضبابية.
يضع الصورة بأكملها في طبقة واحدة ويترك الطبقات الأخرى فارغة.
يقص الشخص إلى نصفين، فيضع رأسه في طبقة وقدميه في طبقة أخرى.

ولإصلاح ذلك، احتاجوا إلى طريقة لتعليم الكمبيوتر دون الحاجة إلى رسم إجابة مثالية من قبل البشر لكل صورة.

الحل: "ناقد الفن" و"اختبار التذوق"

استخدم المؤلفون حيلة ذكية تسمى التعلم المعزز (Reinforcement Learning). بدلاً من إظهار الإجابة الصحيحة للكمبيوتر، تركوه يجرب، ثم استخدموا "ناقد فن ذكاء اصطناعي" (نموذج رؤية ولغة - VLM) لتقييم محاولاته.

إليك كيف جعلوا التدريب يعمل، باستخدام تشبيه بسيط:

1. "اختبار التذوق" (تحدي المجموعة)
تخيل أنك طباخ يحاول صنع الحساء المثالي. أنت تصنع 16 وعاءً من الحساء (مرشحين) في وقت واحد.

الطريقة القديمة: تتذوق كل وعاء على حدة وتعطيه درجة من 1 إلى 10. المشكلة هي أن الناقد قد يكون مهذباً جداً أو صارماً جداً، فيعطي كل وعاء درجة "7". إذا حصل الجميع على 7، فلن تعرف أي وعاء هو الأفضل فعلياً.
طريقة Stable-Layers (التقييم عبر مرحلتين):
- المرحلة الأولى: يتذوق الناقد كل وعاء على حدة ويعطي درجة تقريبية.
- المرحلة الثانية (معايرة الشبكة): يضع الناقد جميع الأوعية الـ 16 جنباً إلى جنب على طاولة كبيرة. الآن، ينظر الناقد إليها معاً ويقول: "حسناً، الوعاء رقم 3 أفضل بوضوح من الوعاء رقم 12، لكن الوعاء رقم 5 هو الأفضل على الإطلاق".
- لماذا هذا مهم: هذه المقارنة جنباً إلى جنب تجبر الناقد على أن يكون دقيقاً في اختياراته. إنها تخلق تصنيفاً واضحاً (تبايناً) بحيث يعرف الكمبيوتر بالضبط أي المحاولات يجب أن يقلدها وأيها يجب أن يتجنبها.

2. "فرشاة الرسم السحرية" (Flow-GRPO)
يستخدم الكمبيوتر عملية رياضية خاصة (Flow-GRPO) للتعلم من هذه التصنيفات. هو لا يحفظ فقط "أفضل" حساء؛ بل يتعلم الاتجاه الذي يجب أن يتحرك فيه نحو "مكوناته" للوصول إلى أفضل حساء. ومع آلاف المحاولات، يصبح أفضل فأفضل في فصل الطبقات.

ما حققوه

من خلال استخدام هذا "الناقد الفني" ونظام التقييم "جنباً إلى جنب"، أصبح نموذج Stable-Layers الجديد أذكى بكثير من النموذج الأصلي:

فصل أكثر نظافة: يضع الأشياء المتميزة (مثل شخص، أو شجرة، أو سيارة) في طبقاتها الخاصة دون تقطيعها.
خلفيات أفضل: عندما يزيل جسماً ما، فإنه يملأ الخلفية بشكل واقعي (مثل ظهور جبل خلف جسر) بدلاً من ترك ثقب أسود.
لا توجد "طبقات فارغة": يتوقف عن إنشاء طبقات تكون مجرد فراغ أو ضجيج.

العيوب (القيود)

يشير البحث إلى بعض النقاط التي يجب وضعها في الاعتبار:

الناقد عبارة عن "صندوق أسود": لقد استخدموا ذكاءً اصطناعياً معيناً مملوكاً لشركة (Gemini) كحكم. إذا غير هذا الذكاء الاصطواعي رأيه حول ما هو "جيد" في المستقبل، فقد يحتاج التدريب إلى تعديل.
التكلفة: يتطلب الأمر الكثير من قوة الحوسبة والمال لتشغيل هذه "اختبارات التذوق" في كل خطوة من خطوات التدريب.
عدد الطبقات: تم تدريبه للتعامل مع ما يصل إلى 5 طبقات في المرة الواحدة من أجل الكفاءة، رغم أن النموذج الأساسي يمكنه التعامل مع المزيد.

باختصار، يقوم Stable-Layers بتعليم الكمبيوتر كيفية فك تشابك الصور المعقدة إلى قطع قابلة للتعديل من خلال تركه يتدرب، وجعل حكم ذكاء اصطناعي يقيم عمله، وإجبار ذلك الحكم على مقارنة جميع المحاولات جنباً إلى جنب لإيجاد الفروق الدقيقة بين ما هو "جيد" وما هو "عظيم".

ملخص تقني: Stable-Layers

بيان المشكلة

يُعد تفكيك طبقات الصور — وهي مهمة فصل صورة RGB واحدة إلى مجموعة صغيرة من طبقات RGBA القابلة للتعديل التي يعيد تركيبها التكوين لاستعادة الصورة الأصلية — أداة أساسية للتحرير الاحترافي. وبينما تبدو المهمة بسيطة من الناحية المفاهيمية، إلا أنها صعبة بطبيعتها من حيث الإشراف (supervision). فصورة واحدة تسمح بالعديد من عمليات التفكيك المنطقية، وتتحدد الجودة بناءً على إمكانية الاستخدام اللاحقة (الفصل الدلالي، أقنعة ألفا النظيفة، الحد الأدنى من التكرار، والتعامل الأمين مع المحتوى المحجوب) بدلاً من التشابه مع هدف واحد حقيقي (ground-truth).

تعتمد الطرق الحالية عادةً على مجموعات بيانات ذات طبقات اصطناعية أو إشراف مقترن (مثل ملفات Photoshop PSD). ومع ذلك، تفرض هذه الأساليب قيداً: فعندما تكون عمليات التفكيك المتعددة متساوية في الصلاحية، فإن التراجع نحو هدف واحد يعاقب الحلول البديلة المتساوية في المنطقية. علاوة على ذلك، تفتقر الصور الطبيعية إلى تعليقات توضيحية لطبقات الحقيقة الأرضية المقترنة، مما يخلق فجوة إشرافية لتدريب نماذج تفكيك قوية على بيانات العالم الحقيقي.

المنهجية

يقترح المؤلفون Stable-Layers، وهو إطار عمل للتعلم التعزيزي (RL) يقوم بضبط نموذج تفكيك الطبقات مسبق التدريب باستخدام صور غير مصنفة فقط وتغذية راجعة من نموذج رؤية ولغة (VLM)، مما يلغي الحاجة إلى الإشراف المقترن أو الأهداف الاصطناعية.

الإطار الأساسي

يعتمد الأسلوب على Flow-GRPO (تحسين المجموعة النسبي للتدفق - Group Relative Policy Optimization for Flow Matching) ونموذج Qwen-Image-Layered الأساسي. تعمل حلقة التدريب عبر ثلاث مراحل:

التوليد (Generation): لكل صورة مدخلة، يقوم السياسة (policy) بأخذ عينات من $G$ من عمليات التفكيك المرشحة عبر مطابقة التدفق المعززة بـ SDE.
التسجيل (Scoring): يقوم حكم VLM بتقييم المرشحين باستخدام بروتوكول مكافأة متخصص ثنائي المراحل.
التحسين (Optimization): يتم تحديث السياسة باستخدام GRPO، بهدف تحسين المزايا النسبية للمجموعة المستمدة من درجات VLM.

الابتكارات التقنية الرئيسية

1. بروتوكول مكافأة VLM ثنائي المراحل
التحدي الرئيسي في تطبيق التغذية الراجعة من "VLM كحكم" هو أن نماذج VLM تميل إلى ضغط أحكامها في نطاق درجات ضيق عند تقييم العينات بشكل منفصل، مما يؤدي إلى انخفاض التباين داخل المجموعة، وهو ما يضعف إشارة تعلم GRPO. لمعالجة ذلك، يستخدم Stable-Layers خط أنابيب تقييم ثنائي المرحلة:

المرحلة 1 (التسجيل الفردي المهيكل): يتم تسجيل كل مرشح بشكل مستقل على مقياس من 0 إلى 5 عبر خمس معايير تركز على التحرير: الفصل الدلالي، نظافة ألفا، ترميم الخلفية (inpainting)، توزيع الميزات، وصحة المحتوى. تضمن القواعد المرجعية (rubrics) تقييماً متسقاً للإخفاقات الفئوية.
المرحلة 2 (معايرة الشبكة النسبية): لاستعادة التباين، يتم تجميع جميع المرشحين $G$ في شبكة مقارنة مصنفة. يقوم VLM بإعادة تسجيل المرشحين نسبياً تجاه بعضهم البعض داخل هذه الشبكة. هذه الخطوة تعمل على نشر الدرجات المضغوطة، مما يوفر التمييز النسبي الدقيق اللازم لنمذجة المزايا بفعالية في GRPO.

2. التكيف مع الكمونات المعبأة (إعادة صياغة RatioNorm)
يعمل نظام GRPO-Guard القياسي على تثبيت التدريب من خلال تطبيع نسبة الأهمية للوغاريتمات الاحتمالية. ومع ذلك، يقوم نموذج Qwen-Image-Layered بتعبئة $N$ من طبقات RGBA في تسلسل كموني واحد عالي الأبعاد، مما يضخم الأبعاد الفعالة $D$ بنحو 5 أضعاف. يتسبب هذا في انهيار متوسط المساحة اللوغاريتمي القياسي نحو الصفر، مما يثبط إشارة التعلم.
قدم المؤلفون تعديلاً يسمى "الجمع وإعادة القياس" (sum-and-rescale modification): بدلاً من أخذ المتوسط المكاني، يقومون بجمع لوغاريتمات الاحتمالات عبر الأبعاد المكانية ويقسمونها على $\sqrt{D}$ قبل تطبيق التمركز لكل خطوة. هذا يستعيد قيم النسبة بمقدار $O(1)$ مع الاحتفاظ بخصائص تثبيت التباين لـ GRPO-Guard.

3. استراتيجية البيانات
يتم تدريب النموذج بالكامل على Fine-T2I، وهي مجموعة فرعية من الصور غير المصنفة والمفلترة جمالياً. لا تُستخدم أي تعليقات توضيحية للطبقات، أو أمثلة مقترنة، أو أهداف تفكيك اصطناعية. يتم أخذ عدد الطبقات المخرجة عشوائياً (عادةً من 2 إلى 5) أثناء التدريب لتعريض النموذج لتعقيد التفكيك المتغير.

المساهمات الرئيسية

بروتوكول مكافأة VLM ثنائي المراحل: طريقة لتخفيف ضغط الدرجات في التعلم التعزيزي داخل المجموعة من خلال الجمع بين التسجيل المطلق المهيكل ومعايرة الشبكة النسبية، مما يسمح بتخصيص ائتمان (credit assignment) أكثر ثراءً فوق رزم الطبقات.
إعادة صياغة RatioNorm: تعديل مصمم للتمثيلات الكمونية المعبأة في مطابقة التدفق، مما يضمن استقرار التحسين للنماذج التي تولد طبقات متعددة في آن واحد.
تحسين جودة التفكيك: إثبات أن الضبط الدقيق بالتعلم التعزيزي باستخدام حكام VLM يمكن أن يحسن بشكل كبير فصل الطبقات، ويقلل من العيوب، ويعزز ترميم الخلفية بما يتجاوز ما يمكن تحقيقه بالتدريب الخاضع للإشراف وحده.

النتائج

أظهر التقييم على مجموعة بيانات Crello وصور LAION-Aesthetics المحجوزة تحسينات جوهرية مقارنة بنموذج Qwen-Image-Layered الأساسي:

المقاييس الكمية: يحقق Stable-Layers خطأ إعادة بناء (L1 reconstruction error) أقل لكل طبقة عبر جميع عدد الطبقات المختبرة (2، 3، و4). كما يقلل بشكل كبير من حدوث الطبقات "السيئة" (الفارغة أو المليئة بالعيوب) من ~1.65 إلى ~0.4 لكل عملية تفكيك.
التحسينات النوعية:
- ترميم الخلفية (Background Inpainting): ينتج النموذج الأساسي غالباً خلفيات متدهورة (مثل اللون الأسود المصمت أو الحشوات المسطحة). بينما يولد Stable-Layers إكمالاً منطقياً للمشهد حيث يتم إزالة الأجسام الأمامية.
- الفصل الدلالي: يميل النموذج الأساسي إلى تكرار الصورة المركبة عبر الطبقات الأمامية. أما النموذج المضبوط بدقة، فيعزل العناصر الدلالية المتميزة (مثل فصل شخص عن درابزين جسر) في طبقات منفصلة مع أقنعة ألفا أكثر نظافة.
- توزيع الميزات: يتم توزيع المحتوى بشكل أكثر توازناً عبر الطبقات بدلاً من تركيزه في طبقة واحدة.
دراسات الاستئصال (Ablation Studies):
- معايرة الشبكة: أدى إزالة المرحلة الثانية (معايرة الشبكة) إلى انخفاض جودة الطبقة 0 (منطقية الترميم) وحدة الحواف، مما يؤكد أن المعايرة النسبية ضرورية للتحسينات الدقيقة.
- الاشتراط النصي (Text Conditioning): استخدام مطالبة (prompt) تفصيلية تحاكي قواعد المكافأة أدى في الواقع إلى تدهور الأداء مقارنة بمطالبة بسيطة، مما يشير إلى أن الاشتراط النصي الصريح قد يتعارض مع محاور تقييم حكم VLM.

الأهمية والادعاءات

يضع البحث Stable-Layers كطريقة عامة لتدريب المولدات الموجهة للتحرير باستخدام تغذية راجعة من "حكم" بدلاً من أهداف الحقيقة الأرضية. يدعي المؤلفون أن نهجهم ينجح في تحويل أحكام VLM "الصندوق الأسود" إلى إشارات تعلم تقود تحسينات دقيقة في فصل الطبقات وصحة المحتوى دون الحاجة إلى تدريب مكافأة خاص بالمهمة أو تعليقات بشرية.

يسلط العمل الضوء على أنه بينما تعد نماذج VLM حكاماً أقوياء، فإن تسجيلهم الخام يتطلب معايرة محددة (عبر مقارنة الشبكة) ليكون فعالاً في بيئات التعلم التعزيزي حيث يكون التباين داخل المجموعة أمراً حاسماً. تقدم الطريقة المقترحة مساراً لتحسين النماذج التوليدية لمهام التحرير (مثل نقل الأسلوب، أو الترميم، أو إعادة ترتيب المشهد) حيث لا تتوفر بيانات حقيقة أرضية مقترنة أو حيث توجد مخرجات متعددة صالحة.

القيود: يشير المؤلفون إلى أن الطريقة تعتمد على نموذج VLM مملوك (Gemini-3-flash-preview)، مما يفرض تكاليف واجهة برمجة التطبيقات (API) واحتمالية انحراف توزيع الدرجات عبر إصدارات النماذج. يعتمد التقييم على مقاييس آلية وفحص نوعي بدلاً من الدراسات البشرية. بالإضافة إلى ذلك، تم تحديد التدريب بـ خمس طبقات لكل عينة بسبب قيود الحوسبة، مما يترك السلوك في عمليات التفكيك ذات عدد الطبقات المرتفع (التي يدعمها النموذج الأساسي حتى 20 طبقة) دون تقييم.