علي بابا تتيح نموذجًا مفتوح المصدر يقسّم الصورة المسطحة إلى طبقات قابلة للتحرير

وضع فريق Qwen التابع لعلي بابا نموذج Qwen-Image-Layered على منصتي ModelScope وHugging Face في أوائل أكتوبر، بترخيص يسمح بالاستخدام التجاري. وقد وصف الإعلان الصيني في 2 أكتوبر بأنه أول نموذج صور يمتلك فهمًا وتحريرًا أصليين للطبقات على غرار فوتوشوب. يستحق هذا الادعاء التفكيك، لأن الآلية التي تقف خلفه ليست تلك التي كانت معظم محررات الصور تتجه نحو بنائها.

الطريقة المعتادة لتحرير صورة مولّدة هي تحديد منطقة وإعادة توليد ما بداخلها. هكذا تعمل تقنية Inpainting. ونموذج FLUX 3 Image، الذي صدر في اليوم السابق، يعمل بالطريقة نفسها أيضًا، عبر صناديق إحاطة تحدد بدقة البكسلات المسموح للنموذج بلمسها. لهذا النهج نقطة ضعف معروفة: النموذج لا يملك أي فكرة عما تعنيه الطبقة. يرى منطقة مستطيلة ووصفًا نصيًا، ثم يملأ الفراغ.

يبدأ Qwen-Image-Layered من تمثيل مختلف. فهو يفكّك صورة نهائية إلى مجموعة من طبقات RGBA، كل منها بدقة كاملة وكل منها بشفافية خاصة به. يصبح الجسم طبقة، والنص طبقة أخرى، والخلفية طبقة ثالثة. يمكنك تحريك طبقة، أو إعادة تلوينها، أو استبدالها، ثم إعادة تركيب المكدس. الهدف التدريبي هو ما يجعل ذلك قابلًا للقياس: يتعلم النموذج إنتاج طبقات، فإعادة تركيبها تعيد إنتاج الصورة المُدخلة، لذا لجودة التفكيك درجة مباشرة.

لماذا تمثل هذه مسألة مختلفة عن التقسيم

تقسيم الصورة إلى كائنات مهمة قديمة، وكانت النماذج بارعة فيها منذ فترة. لكن تفكيك الطبقات يطلب شيئًا أكثر تحديدًا. يجب أن يكون الناتج قابلًا للاستخدام كعنصر تحرير أولي، ما يعني أن كل طبقة تحتاج إلى حواف ألفا نظيفة، وترتيب تكديس صحيح، وعدم احتساب البكسلات التي تظهر في طبقتين في آن واحد مرتين.

كلا نمطي الفشل هذين شائعان. فعند اقتصاص شخص يقف أمام جدار، سيؤدي التقسيم الساذج إلى ترك شبح للشخص في الخلف عند إزالة الطبقة. يجب أن تكون طبقة الجدار قد تعلمت أن الشخص يحجبها، وعليها أن تعيد بناء شكل الجدار خلف الشخص. هذه مسألة توليد، لا مسألة وسم، ولهذا يهم تمثيل RGBA. كل طبقة تحمل قناة ألفا الخاصة بها، لذا على النموذج أن يقرر، بكسلًا بكسل، أي طبقة تملك ماذا.

ينسب التقرير الصيني الفضل في ذلك إلى مكوّنين معماريين: مُرمِّز RGBA-VAE مصمم لهذا الغرض، وترميز موضعي ثلاثي الأبعاد على مستوى الطبقة. الجزء الثاني هو المثير للاهتمام. إذا كانت الطبقات مكدسة في العمق، يحتاج النموذج إلى فكرة عن مكان كل منها في ذلك المكدس، وهو ما يوفره الترميز الموضعي.

ادعاء "صفر انزياح"

الوعد هو أن التعديلات لا تسبب أي انزياح تقريبًا: غيّر طبقة واحدة ويبقى كل شيء آخر في مكانه.

الانزياح هو الفشل الذي يعرفه كل من حرّر صورة مولّدة. تطلب استبدال الخلفية، فيعيد النموذج وجهًا مختلفًا قليلًا، أو قميصًا بدرجة لون مختلفة، أو ظلًا تغيّر موضعه. كل تعديل قائم على الانتشار يحمل بعضًا من هذا، لأن النموذج يعيد توليد أكثر مما طلبت. ميزة Prompt to Edit الجديدة من Adobe في Lightroom تعاني هذه المشكلة بالضبط، وهي السبب في تحفّظ المصورين عليها.

نموذج الطبقات يتفادى المسألة بنيويًا. إذا كان العنصر الذي لا تحرره موجودًا كطبقة RGBA منفصلة، وكان التعديل يمسّ طبقة مختلفة فقط، فسيتم نسخ الطبقة غير المتأثرة بدل إعادة توليدها. عندها يصبح الانزياح خللًا في أداة التركيب لا خاصية في النموذج.

هذا ضمان أنظف مما يمكن لأي نهج Inpainting أن يقدمه، ولهذا يكون الخيار المعماري هو القصة هنا، لا أرقام المعايير.

ما الذي يغيّره للعمل الفعلي

ثلاثة مسارات عمل تصبح أقصر.

إعادة استخدام الأصول الموجودة. يمكن استخراج لقطة منتج مدمجة في لافتة وإعادة استخدامها دون أن يتتبع أحد مسار قصّ. الطبقة موجودة بالفعل، مع قناة ألفا.

إخراج شفاف. النموذج الذي يُخرج طبقات RGBA افتراضيًا يمكنه إنتاج ملفات PNG شفافة كأثر جانبي لعمله الطبيعي. وهذا يلغي خطوة تتطلب حاليًا إما نموذج تقسيم أو إنشاء قناع يدويًا.

تنويعات دفعية. إذا كانت الصورة الرئيسية مكدسًا من الطبقات، فيمكن للفريق إعادة توليد تنويعات عبر استبدال طبقة واحدة وإعادة التركيب. يبقى باقي الصورة دون تغيير، وهذا مهم عندما تحدد إرشادات العلامة التجارية كل شيء باستثناء المنتج.

وهناك رابع أقل وضوحًا. الطبقات بيانات منظمة. مكدس من مكونات RGBA المسماة يتدفق إلى محرر أو خط أنابيب آلي بشكل أنظف بكثير من صورة نقطية مسطحة، ما يجعل النموذج مفيدًا كمكوّن لا كمقصد نهائي.

أين تكمن الحدود

النموذج يفكك الصورة. لكنه لا يعرف ماذا ينبغي تسمية الطبقات، ولا يستنتج النية. اطلب منه تقسيم صورة فوتوغرافية لمكتب مزدحم، وقد تفصل النتيجة الكائنات جيدًا والإضاءة بشكل سيئ. المواد شبه الشفافة هي الحالة الصعبة، إذ يمكن القول إن كوب الماء ينتمي إلى عدة طبقات في آن واحد.

ويظل ترتيب العمق غامضًا أيضًا مع الانعكاسات والظلال. فالظل المسقط على جدار خاصية لكائن، لكنه يعيش على طبقة الخلفية، وتحديد أي جانب من هذا الخط يوضع فيه هو حكم يجب على النموذج أن يتخذه دون أن يُخبر به.

لا شيء من هذا يقلل من أهمية الإصدار. بل يجعله أساسًا لا أداة مكتملة.

لماذا ينتشر تنسيق الطبقات أفضل من أداة Inpainting أفضل

على مدى العامين الماضيين، جرى سباق نماذج الصور على المسار نفسه. أنتج كل جيل عملية Inpainting أكثر حدة، والتزامًا أفضل بالوصف النصي، وتشوهات واضحة أقل.

لهذا المسار حدود، وهي بنيوية. فمهما تحسنت أداة Inpainting، يبقى نموذج التفاعل كما هو: يحدد المستخدم منطقة، ويملؤها النموذج، ثم يحكم المستخدم على النتيجة. تتحسن الجودة، لكن سير العمل لا يتغير. والدليل أن الشكوى نفسها تتكرر عبر أجيال النماذج، وهي أن تعديلًا محليًا يُحدث تغييرات في مكان آخر.

تستهدف الطبقات سير العمل بدلًا من مقياس الجودة. فبمجرد أن تصبح الصورة مكدسًا، تصبح وحدة العمل هي الطبقة لا التحديد، ويتعامل المستخدم مع المكونات مباشرة. هكذا عمل المصممون في أدوات مخصصة طوال ثلاثين عامًا، وسبب عدم فعل نماذج الصور ذلك هو أن التمثيل لم يكن متاحًا.

بناء ذلك التمثيل مكلف. على النموذج أن يتعلم الحجب وترتيب العمق وألفا من بيانات لا تحتوي في معظمها على تفكيكات طبقات، ولهذا فإن الهدف التدريبي، أي إعادة بناء المدخل من المكدس المتوقع، هو الجزء الحامل في التصميم.

إذا نجح هذا النهج، فستتجاوز تبعاته منتجات علي بابا نفسها. أداة تركيب تقبل مكدس طبقات يمكن ربطها بخط أنابيب كان يحتاج سابقًا إلى إنسان لقص الأقنعة. ومكتبة صور جاهزة تقدم تفكيكات تصبح أكثر قيمة من أخرى تقدم ملفات JPEG مسطحة. النموذج هو القطعة الأولى في تلك السلسلة، وليس لدى المنظومة بقيتها بعد.

الصورة التنافسية

تفكيك الطبقات ليس حكرًا على علي بابا. فنموذج Ming-Image من Ant Group يتبنى موقفًا مشابهًا، إذ يولّد تصاميم كتركيبات طبقية لا كصور مسطحة. وقد أصدرت Stability وآخرون نماذج تقسيم تحاكي أجزاء من سير العمل. ما يختلف هو الالتزام بطبقات RGBA كتنسيق إخراج أصلي، وقرار إتاحة الأوزان التي يمكن لأي شخص تشغيلها.

هذا الخيار الأخير مهم لسرعة انتشار الفكرة. فقد أمضى سوق أدوات الصور عامين وهو يتحول نحو تفاعل "حدد منطقة، وصف تغييرًا"، واستقرت النتائج في الجودة للسبب البسيط أن التمثيل الأساسي لم يتغير. تسليم المنظومة مكدسًا قابلًا للتحرير بدل صورة نقطية هو نوع التحول الذي يظهر في منتجات الآخرين قبل أن يظهر في جدول معايير.

الشيء الذي يستحق المراقبة هو ما إذا كانت أدوات التركيب ستبدأ بقبول مكدسات الطبقات كتنسيق إدخال، وما إذا كان المحررون سيبدؤون بالتعامل مع التفكيك كخطوة أولى في المشروع لا كعملية إصلاح. درجة المعايير مسألة ثانوية.