← أحدث الأبحاث
💻 computer science

OccluRank: Controllable Occlusion-Aware Layout-to-Image Generation by Adding Just an Ordinal Rank

يُعد OccluRank إطار عمل بسيطاً وقابلاً للتحكم لتوليد الصور من التخطيطات، حيث يحقق تركيباً دقيقاً واعياً بالاحتجاب عبر تعزيز المربعات المحيطة برتبة ترتيبية واحدة واستخدام وحدة تفاعل مثيل مدركة للترتيب، مما يلغي الحاجة إلى شروط هندسية معقدة أو إجراءات استدلال متخصصة.

المؤلفون الأصليون: Wenyang Hong, Yuan Wang, Yanbin Hao, Lanqing Xue, Ke Wang, Xiang Wang, Kuien Liu, Richang Hong

نُشر 2026-08-24
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Wenyang Hong, Yuan Wang, Yanbin Hao, Lanqing Xue, Ke Wang, Xiang Wang, Kuien Liu, Richang Hong

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

في عالم الرؤية الحاسوبية، لطالما علّم الباحثون الآلات كيفية توليد الصور من الأوصاف النصية. ومؤخراً، طوروا طريقة لإعطاء هذه الآلات تعليمات دقيقة حول مكان ظهور الأشياء في الصورة. فمن خلال رسم مربع بسيط حول منطقة محددة وتسميتها، يمكن للمستخدم إخبار الكمبيوتر بوضع قطة هناك، أو سيارة هناك، أو شجرة هناك. هذه العملية، المعروفة باسم "توليد الصور من التخطيط" (layout-to-image generation)، أصبحت أداة قوية للمصممين والمبدعين الذين يحتاجون إلى ترتيب المشاهد بتحكم دقيق. ومع ذلك، لا تزال هناك نقطة عمياء كبيرة في هذه التكنولوجيا؛ فبينما يمكن للمربع أن يخبر الكمبيوتر بمكان وجود الشيء، فإنه لا يستطيع إخبار الكمبيوتر أي الأشياء يقع أمام الآخر. في العالم الحقيقي، غالباً ما تتداخل الأشياء؛ فقد يقف شخص أمام مقعد، أو قد يوضع كوب فوق طاولة، مما يخفي جزءاً من السطح تحته. وتكافح نماذج الكمبيوتر الحالية مع هذا العمق، حيث غالباً ما تدمج الأشياء المتداخلة في كتلة واحدة مشوشة، أو تضعها في الترتيب الخاطئ، مما يجعل المشهد يبدو مستحيلاً من الناحية الفيزيائية.

قدم فريق من الباحثين الآن طريقة جديدة تسمى "أوكلو رانك" (OccluRank) لحل هذه المشكلة المحددة المتعلقة بالتداخل البصري. نهجهم بسيط بشكل مدهش، حيث يضيف معلومة واحدة فقط إلى التعليمات القياسية: رقم الترتيب. فبدلاً من الاعتماد على نماذج ثلاثية الأبعاد معقدة، أو خرائط عمق، أو طبقات متعددة من البيانات الهندسية، يطلب النظام من المستخدم تعيين رقم بسيط لكل كائن، يشير إلى ما إذا كان يجب أن يظهر في المقدمة أم في الخلفية. الرقم الأقل يعني أن الكائن أقرب إلى المشاهد، بينما الرقم الأعلى يعني أنه أبعد. وقد بنى الباحثون إطار عمل يستخدم هذا الترتيب الواحد لتوجيه عملية اتخاذ القرار في الكمبيوتر. وقبل أن يقوم الكمبيوتر بدمج الأجزاء المختلفة للصورة، فإنه يستخدم وحدة خاصة للسماح للأشياء بـ "التحدث" مع بعضها البعض. فإذا كان من المفترض أن يتداخل دراجة نارية ورف كتب، فإن النظام يتحقق من أرقامهما المخصصة ويضمن معالجة ميزات الدراجة النارية كما لو كانت تجلس فوق رف الكتب، مما يؤدي فعلياً إلى إخفاء الجزء من رف الكتب الذي ينبغي أن يكون خلفها.

لاختبار ما إذا كانت هذه الطريقة تعمل بالفعل، أنشأ الفريق مجموعة بيانات جديدة تسمى "أوكلو لاي أوت" (OccluLayout). لقد بنوا آلاف المشاهد باستخدام برامج الرسومات الحاسوبية ثلاثية الأبعاد، مرتبين الأثاث والحيوانات والمركبات في تكوينات مختلفة متداخلة. ولأنهم بنوا هذه المشاهد من الصفر، فقد عرفوا الترتيب الدقيق لظهور كل كائن. ثم استخدموا الذكاء الاصطناعي لتعديل الخلفيات وإضافة أوصاف تفصيلية للأشياء، مما خلق مكتبة ضخمة من بيانات التدريب حيث كانت الإجابة الصحيحة معروفة بيقين. سمح لهم هذا بتدريب نموذجهم دون تخمين أو الاعتماد على تقديرات غير دقيقة للعمق. كما طوروا نظام اختبار جديداً، "أوكلو لاي أوت بنش" (OccluLayout-Bench)، والذي يستخدم نماذج لغوية متقدمة لتقييم النتائج. فبدلاً من النظر فقط إلى جودة الصورة الإجمالية، تتحقق هذه المقيمات من تفاصيل محددة: هل رسم الكمبيوتر جميع الأشياء المطلوبة؟ هل بقيت داخل مربعاتها؟ هل حافظت على ألوانها وأنسجتها؟ والأهم من ذلك، هل ظهرت الأشياء المتداخلة في الترتيب الصحيح من الأمام إلى الخلف؟

تظهر النتائج أن نظام الترتيب البسيط هذا فعال للغاية. فعند مقارنته بالطرق الأخرى التي تحاول حل نفس المشكلة، أنتج النهج الجديد باستمرار صوراً كانت فيها الأشياء أكثر وضوحاً وكانت علاقات التداخل فيها صحيحة. وفي الاختبارات التي تضمنت مشاهد معقدة بها عناصر متعددة، نجح النموذج في الحفاظ على رؤية الأشياء التي ينبغي أن تكون في المقدمة مع حجب أجزاء الأشياء التي ينبغي أن تكون خلفها بشكل صحيح. وقد تمكن من القيام بذلك دون الحاجة إلى مدخلات إضافية مثل الإحداثيات ثلاثية الأبعاد أو زوايا الكاميرا، معتمداً فقط على قائمة الأرقام البسيطة للمستخدم. لم تكن الصور المولدة دقيقة هيكلياً فيما يتعلق بترتيب الأشياء فحسب، بل حافظت أيضاً على جودة بصرية عالية، حيث بدت الأشياء طبيعية وظلت سماتها ثابتة.

وجد الباحثون أن مفتاح نجاحهم يكمكم في الطريقة التي يتعامل بها النظام مع التفاعل بين الأشياء قبل دمجها في صورة نهائية. فمن خلال السماح للأشياء بتبادل المعلومات بناءً على رتبها المخصصة، تعلم النموذج كيفية حل النزاعات في مناطق التداخل. فإذا قيل للنظام إن حماراً وحشياً يقع أمام ثلاجة، فإنه يعدل ميزات الحمار الوحشي لتغطية الثلاجة، بدلاً من دمج الاثنين معاً. وقد ظل هذا القدرة قائمة حتى عندما اختبر الباحثون النموذج على أشياء لم يسبق له رؤيتها أثناء التدريب، مما يشير إلى أن الطريقة تعلمت قاعدة عامة حول كيفية التعامل مع العمق بدلاً من مجرد حفظ صور محددة. وتوضح الدراسة أنه من خلال إضافة طبقة واحدة بديهية من التعليمات، يمكن توجيه الحواسيب لإنشاء مشاهد معقدة ومتعددة الطبقات تحترم الواقع الفيزيائي لكيفية إشغال الأشياء للمساحة.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →