UniWorld-Design: From Pixel Generation to Layer-Native Design
تقدم UniWorld-Design إطار عمل مبتكر يعيد تعريف توليد الصور من خلال الانتقال من التخليق المسطح للبكسلات إلى الإنشاء الهيكلي القائم على الطبقات باستخدام طبقات RGBA الدلالية كوحدات ذرية، مما يتيح فهماً أكثر قوة، وتحريراً، وتلاعباً وكيلياً بالمحتوى البصري من خلال نماذجها المتخصصة في تحويل النص إلى RGBA وتحويل الصورة إلى طبقة.
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 تنظر إلى لوحة رقمية على شاشتك. لفترة طويلة، تعاملت الحواسيب مع هذه الصور كأنها ورقة واحدة مسطحة. إذا أردت تحريك الشمس في الزاوية، كان على الحاسوب أن يخمن أي البكسلات تنتمي للشمس وأيها تنتمي للسماء، مما يترك غالباً حافة متعرجة وغير مرتبة أو يؤدي لمسح جزء من الخلفية بالخطأ. هكذا تعمل معظم تقنيات "تحويل النص إلى صورة" (text-to-image) اليوم: إنها ترسم صورة مسطحة، بكسل تلو الآخر، دون فهم أن الصورة في الواقع مكونة من أشياء منفصلة متراكمة فوق بعضها البعض.
لكن المصممين البشر لا يعملون بهذه الطريقة. فعندما ينشئ مصمم جرافيك ملصقاً، فإنه يستخدم نظام "الطبقات" (layers). فكر في الأمر كأنه كومة من الأوراق الشفافة المتراكمة. على الورقة السفلية، ترسم السماء. وعلى الورقة التالية، ترسم جبلاً. وعلى الورقة العلوية، تكتب العنوان. ولأن كل عنصر موجود على ورقته الخاصة، يمكنك رفع الجبل، أو تحريكه، أو مسح العنوان دون المساس بالسماء. هذه الورقة، التي تسمى UniWorld-Design، تطرح سؤالاً بسيطاً: ماذا لو استطاع الذكاء الاصطناعي التوقف عن رسم صور مسطحة والبدء في بناء هذه الكومات من الأوراق الشفافة بدلاً من ذلك؟ يقترح الباحثون أنه من خلال تعليم الذكاء الاصطناعي توليد الصور كـ "طبقات" (وتحديداً طبقات RGBA، التي تشمل اللون وخريطة الشفافية)، يمكننا صنع ذكاء اصطناعي يفهم كيفية إنشاء المحتوى المرئي وتحريره وإعادة ترتيبه تماماً كما يفعل المصمم البشري.
الفكرة الكبرى: من الطلاء المسطح إلى الكومات الشفافة
المشكلة الجوهرية التي يعالجها فريق UniWorld-Design هي أن مولدات الصور الحالية بالذكاء الاصطناعي تشبه الفنانين الذين لا يعرفون سوى الرسم على لوحة واحدة. بمجرد أن يجف الطلاء، يصبح كل شيء ملتصقاً ببعضه. إذا أردت تغيير الخلفية، عليك كشط الشيء بأكله وتأمل ألا تفسد المقدمة. تجادل الورقة البحثية بأن البكسلات تخبرنا "كيف" تبدو الصورة، لكن الطبقات تخبرنا "كيف" صُنعت الصورة.
ولحل هذه المشكلة، بنى الفريق إطار عمل يعامل طبقات RGBA الدلالية كبنات أساسية للابتكار. "RGBA" هي مجرد طريقة تقنية لقول "الأحمر، الأخضر، الأزرق، والألفا" (حيث تمثل الألفا الشفافية). وبدلاً من توليد صورة مسطحة، يقوم نظامهم بتوليد كومة من العناصر المنفصلة والشفافة التي يمكن تحريكها، أو حذفها، أو تحريرها بشكل فردي.
الأداتان السحريتان
يعتمد إطار العمل على نموذجين محددين يعملان معاً مثل ثنائي مبدع:
T2RGBA (النص إلى RGBA): تخيل أن لديك عصا سحرية يمكنها استحضار عنصر واحد مثالي وشفاف من العدم بمجرد وصفه. إذا قلت "بلورة زرقاء عائمة"، فإن هذا النموذج لن يعطيك صورة لبلورة على خلفية بيضاء؛ بل سيعطيك البلورة نفسها، بخلفية شفافة، جاهزة لوضعها في أي مكان. هذه الأداة تولد أصولاً (assets) مستقلة مباشرة من النص.
I2L (الصورة إلى طبقة): هذا هو الساحر العكسي. تخيل أن لديك ملصقاً نهائياً ومسطحاً على الطاولة. تقدمه لنموذج I2L وتقول له: "يرجى فصل الخلفية، والموضوع، والنص إلى طبقاتهم الخاصة". النموذج لا يخمن فحسب؛ بل يعيد بناء كومة الأوراق الشفافة غير المرئية التي "كانت ستصنع" ذلك الملصق. إنه يكتشف ما كان مخفياً خلف العناصر الأخرى (مثل الجزء من الشجرة الذي غطته طائرة) ويحافظ على هذا المحتوى المخفي سليماً حتى تتمكن من تحريك الطائر لاحقاً دون رؤية فجوة.
كيف يعمل الأمر: ثورة "التعليمات"
ما يجعل هذا مميزاً هو كيفية استماع نموذج I2L للتعليمات. إنه ليس مجرد أداة بسيطة لـ "القص". إنه يفهم أوامر معقدة مثل:
- التفكيك على المستوى الأعلى: "فكك هذه الصورة بالكامل إلى خلفية، ومواضيع، ونص".
- التفكيك المتكرر: "خذ طبقة 'الموضوع' التي صنعتها للتو، وفككها أكثر إلى الشخص والقبعة".
- الاستخراج المستهدف: "أعطني القمر والأرنب فقط، واترك كل شيء آخر خلفك".
هذا يحول عملية وضع الطبقات إلى محادثة. يمكن لوكيل ذكاء اصطناعي (برنامج حاسوبي ذكي) استخدام هذه الأدوات لتخطيط تصميم، وطلب طبقة معينة، وتحسينها، ثم إعادة تجميعها بالكامل، وكل ذلك دون فقدان هيكل الصورة أبداً.
النتائج: أذكى، أنظف، وأكثر قابلية للتحرير
اختبر الباحثون نظامهم مقابل نماذج رائدة أخرى، مثل Qwen-Image-Layered، باستخدام معيار اختبار يسمى Crello (مجموعة من 512 نموذجاً لتصاميم من العالم الحقيقي). تشير النتائج إلى أن UniWorld-Design يمثل خطوة كبيرة للأمام في جعل الصور المولدة بالذكاء الاصطناعي مفيدة فعلياً للتحرير.
- دقة أفضل: عندما قارنوا الطبقات التي ولدها الذكاء الاصطناعي بالطبقات الأصلية "الحقيقية"، قلل نموذج I2L في UniWorld-Design الخطأ في اللون (RGB) بنسبة 37% مقارنة بأفضل نموذج سابق.
- حواف أنظف: حسن النموذج أيضاً جودة الحواف الشفافة (Alpha Soft IoU) بنسبة 34%. وهذا يعني أن عمليات القص أكثر نظافة وأقل عرضة للحواف المتعرجة أو الضبابية.
- أخطاء أقل: أنتج النظام عدد طبقات "فارغة" أقل بنسبة 63% (الأوراق التي لا ينبغي أن تكون موجودة) وقلل من الطبقات "المزججة" (التي تبدو غريبة أو مكسورة) بشكل كبير.
- فهم أفضل للنصوص: في اختبار حيث قام نموذج لغوي بصري (VLM) بتقييم جودة الطبقات، سجل UniWorld-Design نتيجة 20.43 من أصل 25، متفوقاً على منافسه الذي سجل 17.60.
بالنسبة لنموذج T2RGBA (الذي ينشئ عناصر من النص)، حقق أعلى درجة CLIP (وهي مقياس لمدى مطابقة الصورة للوصف النصي) بلغت 33.03، متفوقاً على نماذج أخرى مثل LayerDiffuse و OmniAlpha.
العقبة: ليس مثالياً بعد
يعترف المؤلفون بصراحة بمواطن الضعف التي لا يزال النظام يعاني منها. فبينما تعتبر الطبقات رائعة في فصل العناصر، إلا أن حواف التفاصيل الدقيقة جداً (مثل الشعر أو الأغصان الرفيعة) لا تزال غير مرتبة قليلاً. بالإضافة إلى ذلك، يواجه النظام صعوبة مع النصوص الكثيفة، خاصة الحروف المعقدة مثل اللغة الصينية، حيث قد يفتقد بعض الضربات أو يخطئ في التنسيق. تقترح الورقة أن النسخ المستقبلية ستحتاج إلى مهارات أفضل في توليد النصوص للتعامل مع هذه الحالات الصعبة.
لماذا هذا مهم؟
الأمر لا يتعلق فقط بجعل الصور أجمل؛ بل يتعلق بتغيير كيفية تفاعلنا مع الفن المولد بالذكاء الاصطناعي. حالياً، إذا أردت تحرير صورة مولدة بالذكاء الاصطناعي، فغالباً ما يتعين عليك البدء من جديد أو استخدام أدوات بدائية لعزل الأجزاء. يقترح UniWorld-Design مستقبلاً لا يكتفي فيه الذكاء الاصطناعي برسم صورة، بل يبني مجموعة أدوات تصميم. يمكنك أن تطلب من الذكاء الاصطناعي "صنع ملصق به تنين"، ثم تقول لاحقاً "حرك التنين إلى اليسار وغير الخلفية إلى غروب الشمس"، وسيعرف الذكاء الاصطناعي بالضبط أي "طبقة" يحركها وكيف يحافظ على بقية الصورة مثالية. إنه يحول توليد الصور من خدعة سحرية لمرة واحدة إلى عملية مرنة، قابلة للتحرير، وإبداعية حقاً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.