Ancient Painting Garment Inpainting via Garment Structure Guidance and Garment Region-Reweighted Flow Matching
تقترح هذه الورقة إطار عمل ثنائي المراحل يجمع بين توجيه "Fashion LoRA" و"Garment Region-Reweighted Flow Matching" لمعالجة التدهور الهيكلي والنسيجي للملابس في اللوحات القديمة، مما يحسن جودة الترميم بشكل كبير ويوفر مرشحات رقمية قابلة للتدقيق ومقيدة بالهيكل للحفاظ على التراث الثقافي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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 محقق يحاول حل لغز ما، لكن الخيط الوحيد الذي تملكه هو صورة ممزقة وباهتة تعود لمئة عام مضت. هذا هو الواقع اليومي لمرممي الفنون الذين يعملون على اللوحات القديمة. فعلى مر القرون، تصبح الورقة أو الحرير اللذان رُسمت عليهما هذه التحف الفنية هشّين، ويخبو الحبر، ويمكن للخطوط الدقيقة التي تحدد ملابس الشخص — مثل ثنيات الرداء أو انحناءة الكم — أن تختفي تماماً. والهدف ليس مجرد الرسم فوق الثقوب؛ بل هو معرفة كيف "يجب" أن تبدو الخطوط المفقودة دون اختلاق تاريخ مزيف.
للقيام بذلك، يستخدم العلماء شيئاً يسمى "الترميم بالذكاء الاصطناعي" (AI inpainting). فكر في الأمر كأنه ميزة "الإكمال التلقائي" فائقة الذكاء للصور. أنت تعرض على الكمبيوتر صورة بها بقعة سوداء كبيرة تغطي جزءاً منها، ويقوم الكمبيوتر بتخمين ما يوجد تحتها بناءً على ملايين الصور الأخرى التي رآها. ولكن هنا تكمن المشكلة: الذكاء الاصطناعي القياسي بارع في ملء غصن شجرة مفقود أو قطعة من السماء، لكنه غالباً ما يرتبك بسبب القواعد المحددة والمعقدة لكيفية انسدال وطي الأقمشة. قد يرسم قميصاً يبدو واقعياً ولكنه يمتلك شكلاً خاطئاً بالنسبة للفترة الزمنية، أو قد يحول الخطوط الحادة للياقة إلى كتلة ضبابية مشوشة. يتناول هذا البحث هذه المشكلة تحديداً: كيف نعلم الذكاء الاصطناعي ليكون "محقق أزياء تاريخي" أفضل يحترم الهيكل المحدد للملابس القديمة.
اقترح الباحثون، وهم فريق من جامعة شيان المتعددة التقنيات، استراتيجية ذكية من خطوتين لإصلاح هذه الملابس القديمة التالفة. لقد أدركوا أن محاولة إصلاح الصورة بأكملة دفعة واحدة ستكون عملية فوضوية، لذا قسموا المشكلة إلى "تعلم الشكل" ثم "ملء اللون".
أولاً، علموا الذكاء الاصطناعي درساً في هيكل الأزياء باستخدام ملابس حديثة. وبما أن اللوحات القديمة نادرة وغالباً ما تكون تالفة جداً بحيث لا يمكن استخدامها للتدريب، فقد استخدموا صوراً عالية الجودة لفساتين وأردية حديثة. قاموا بتجريد هذه الصور لتقتصر فقط على حدودها وخطوط طياتها — مثل هيكل عظمي للثوب — وعلموا الذكاء الاصطناعي "LoRA للأزياء" خاصة (وهي إضافة خفيفة لنماذج الذكاء الاصطناعي) للتعرف على كيفية سلوك القماش. إنه يشبه إعطاء الذكاء الاصطناعي كتاباً مدرسياً حول كيفية تدلي الأكمام أو تمايل التنورة، ليعرف "قواعد" الملابس قبل أن يحاول كتابة جملة جديدة. تضمن هذه الخطوة فهم الذكاء الاصطناعي أن الثنية ليست مجرد منحنى عشوائي، بل تتبع قوانين الفيزياء والأسلوب.
بعد ذلك، واجهوا الجزء الصعب: الإصلاح الفعلي. عندما يحاول الذكاء الاصطناعي ملء صدع صغير ودقيق في خط طويل لِكمٍ ما، فإنه غالباً ما يتجاهله لأن الصدع صغير جداً مقارنة ببقية الصورة. يفكر الذكاء الاصطناعي: "أوه، هذا الخط الصغير لا يهم كثيراً"، ويركز على الأجزاء الكبيرة والسهلة. ولحل هذه المشكلة، ابتكر المؤلفون طريقة جديدة تسمى "مطابقة التدفق بإعادة وزن منطقة الملابس" (GR-FM). تخيل أنك تصحح اختباراً. إذا أخطأ طالب في مسألة رياضية واحدة صغيرة وحاسمة، لكنه أجاب بشكل صحيح في بقية الاختبار، فقد يمنحه المعلم التقليدي درجة عالية بشكل عام. لكن هذه الطريقة الجديدة تشبه معلماً صارماً يقول: "انتظر! هذه المسألة الصغيرة هي الجزء الأهم في الاختبار!" فهي تجبر الذكاء الاصطناعي على إبداء اهتمام إضافي بالبكسلات التالفة والمفقودة، مما يضمن إعادة بناء تلك الخطوط الرفيعة والهشة بدقة عالية.
اختبر الفريق طريقتهم على مجموعة بيانات من اللوحات القديمة من خمس سلالات صينية مختلفة (تانغ، سونغ، يوان، مينغ، وتشينغ). وقارنوا نظامهم المكون من خطوتين بأدوات ذكاء اصطناعي شهيرة أخرى مثل LaMa وSDXL. كانت النتائج واعدة: أنتجت طريقتهم حوافاً أكثر حدة واستمرارية هيكلية أفضل، خاصة بالنسبة لتلك الشقوق الضيقة والصعبة الإصلاح في القماش. وفي الواقع، عندما قاسوا جودة الصور المستعادة، سجلت طريقتهم درجات أعلى في دقة البكسل والتشابه الهيكلي مقارنة بالأدوات الأخرى.
ومع ذلك، فإن المؤلفين حذرون من الادعاء بأنهم "حلوا" التاريخ. فهم يؤكدون أن ذكاءهم الاصطناعي لا يعرف المظهر الأصلي الحقيقي للوحة؛ بل يقدم فقط "مرشحاً للترميم". إنه يشبه رسماً تخطيطياً لما "كان من الممكن" أن يكون موجوداً، بناءً على الأدلة التي لديه. النظام مصمم ليكون "قابلاً للتدقيق"، مما يعني أنه يغير فقط الأجزاء من الصورة التي تم تحديدها كأجزاء تالفة، تاركاً بقية اللوحة القديمة دون مساس. وهذا أمر بالغ الأهمية للمتاحف والمؤرخين، الذين يحتاجون لمعرفة ما هو أصلي وما هو مجرد تخمين من الكمبيوتر.
في النهاية، يشير هذا البحث إلى أنه من خلال الجمع بين مرحلة تدريب "الحس بالأزياء" ومرحلة إصلاح "التركيز الفائق"، يمكننا إنشاء أدوات رقمية تساعدنا على رؤية الفن القديم بوضوح أكبر. إنها لا تحل محل الخبراء البشر؛ بل تمنحهم مساعداً قوياً وقابلاً للتتبع يمكنه اقتراح كيفية إعادة ربط الخطوط المكسورة للتاريخ، طية تلو الأخرى.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.