لا ألسنة! باحثو الذكاء الاصطناعي يعالجون غياب أحد مكوّنات الوجه في تحريكه

ما فاتنا في 2026: إنه ذلك الوقت من العام الذي يتراجع فيه مستوى الأبحاث وحجمها ثم يرتفعان بالتوازي مع المؤتمرات القليلة الأخيرة في نوفمبر وديسمبر. ولتجاوز فترات الشح المتقطعة هذه، نلقي نظرة على بعض الأوراق البحثية الأكثر إثارة للاهتمام التي كادت أن تحظى بالقبول في 2026، لكن أعمالًا أخرى تفوقت عليها في فترات تقديم أكثر تنافسية.

حتى وقت قريب، كانت لدى ممارسي التزييف العميق، الهواة والمحترفين على حد سواء، شواغل أكبر من التساؤل عما إذا كان الإنسان المُعاد بناؤه يبدو وكأن له لسانًا أم لا. فاللسان، في نهاية المطاف، أكثر ملامح الوجه تقلبًا؛ إذ لا يظهر إطلاقًا لدى من يتمتمون، ولا يُرى إلا بين الحين والآخر في معظم الظروف العادية.

ولذلك، عندما تحتاج إليه فعلًا، لا تجده في عمليات إعادة البناء بالذكاء الاصطناعي. ومع بلوغ إعادة البناء القائمة على الانتشار، التي ينفذها الهواة، مستوى مذهلًا من الواقعية، وازدياد تدقيقنا في تقييم البشر المولّدين بالذكاء الاصطناعي، ربما حان الوقت لمعالجة هذه المشكلة.

لعق المشكلة

في يوليو، قدّم تعاون أكاديمي بين أستراليا والصين مسارًا لمعالجة غياب محاكاة اللسان في سير عمل الذكاء الاصطناعي. ويعتمد الإطار المقترح، الذي يحمل اسم TongueReenact، عمليًا على كل أساليب مجموعة أدوات التزييف العميق لمعالجة المشكلة، بما فيها التنقيط الغاوسي، والنماذج البشرية البارامترية، وحقول الإشعاع العصبي (Neural Radiance Fields، أو NeRF)، وتوليد الفيديو القائم على الانتشار (عذرًا للشبكات التوليدية الخصومية، لم يحالفكم الحظ هذه المرة).

أعلاه، لقطة الشخص المحرّك (الحقيقي)، التي تُنقل خصائصها إلى المشهد المُصيّر بواسطة TongueReenact أدناه. المصدر

مع أن الشيفرة التي وعد بها المشروع لا يبدو أنها أُتيحت منذ نشر الورقة البحثية، ومع عدم صدور أي فيديو تكميلي حتى الآن، فإنه يظل إنجازًا بارزًا؛ فهو أول عمل يعالج اللسان في إعادة البناء القائمة على الذكاء الاصطناعي خارج المجال الطبي، كما يتصدى للنقص الحاد في البيانات المشروحة، وهي بيانات أساسية لأي حل مقترح.

استفاد الباحثون بطريقة مبتكرة من أطر عمل وبيانات متنوعة موجودة، لإنشاء إطار عمل لتقسيم اللسان يستند إلى SegmentAnything، ولتوليد تسميات زائفة للبيانات التي قُسّمت حديثًا.

وجاء في الورقة البحثية:

«[We]نقدّم أول إطار عمل لنقل حركات اللسان بين هويات مختلفة في إعادة تمثيل الوجه. انطلاقًا من إطار مصدر وفيديو محرّك، تنقل طريقتنا حركات الوجه وحركة اللسان معًا إلى هوية المصدر.»

«تتمثل الفكرة المحورية في عملنا في أن توليد اللسان لا يمكن التعامل معه بوصفه مسألة ترميم عامة. فلا بد من إسناد اللسان مكانيًا إلى هندسة وجه المصدر، التي تتغير بدورها مع كل إطار من الفيديو المحرّك.»

يبدأ النظام بنقل حركات وجه الشخص المحرّك إلى وجه المصدر، باستخدام التنقيط الغاوسي ثلاثي الأبعاد ونموذج الوجه FLAME. وينتج عن ذلك وجه متحرك بوضعية وتعبير صحيحين، لكنه يظل بلا لسان.

سير عمل TongueReenact. في الأعلى: تُحدَّد صور الألسنة وتُقسَّم، ثم تُنقَّح يدويًا لتدريب نموذج للكشف عنها. في الأسفل: تُنقل حركات الوجه من فيديو محرّك إلى وجه المصدر، ثم يولّد نموذج انتشار اللسان المفقود في موضعه المناسب.

ثم يُستخدم نموذج Stable Diffusion لتوليد اللسان المفقود، مسترشدًا بمظهره في الفيديو المحرّك وبالهندسة المعاد بناؤها للوجه.

وفي معرض حديثهم عن ضرورة معالجة هذا القصور في إعادة بناء الوجه، يلاحظ المؤلفون* ما يلي:

«أثناء التعبيرات القوية، كالضحك أو الاشمئزاز أو الدهشة، قد يهيمن [the tongue] بالكامل على المنطقة الفموية الظاهرة. ومع ذلك، فإن جميع أنظمة إعادة تمثيل الوجه وتجسيده الافتراضية تقريبًا إما أن تصوّر داخل الفم على هيئة فراغ خالٍ من الملمس، أو تترك اللسان بلا أي قيود.»

«ولا يأتي هذا الإغفال من قبيل المصادفة؛ فاللسان بنية عابرة على نحو فريد، إذ يكون مخفيًا تمامًا في حالة الراحة، ويظهر بين الحين والآخر أثناء الكلام، ثم يهيمن فجأة في التعبيرات الشديدة. وهذا ما يجعله مقاومًا بطبيعته للنمذجة البارامترية الثابتة المطبّقة على بقية الوجه.»

«إن التصدي لهذا التحدي الذي أُغفل هو الدافع الأساسي لعملنا.»

في الاختبارات، تفوّقت الطريقة الجديدة بفارق كبير على خمسة أنظمة منافسة لتحريك الوجوه، محققةً تفوقًا في الدقة يزيد على 100% مقارنةً بأقرب منافسيها في المقاييس الرئيسية لموضع اللسان وحجمه. ومع ذلك، لا بد من الإقرار بصعوبة تصميم اختبارات من هذا النوع عند استكشاف مجال جديد، ولا سيما حين لا تتناول الأطر السابقة هذا التحدي الجديد إلا بقدر ضئيل أو لا تتناوله إطلاقًا.

لنلقِ نظرة عن كثب على النهج الجديد.

المنهجية

لتطوير نظام قادر على تحديد الألسنة في مقاطع الفيديو العادية للوجوه، استُخدمت مجموعة بيانات NERSemble التي تضم تسجيلات متعددة المناظير لرؤوس بشرية، إلى جانب إطارات مولّدة اصطناعيًا من مجموعة بيانات VFHQ، التي تحتوي على أكثر من 16,000 مقطع فيديو عالي الجودة للوجوه:

اضغط للتشغيلمثال لافت ذو طابع «لساني» على إعادة بناء حقل الإشعاع من موقع مشروع Nersemble. غير أن اللسان الظاهر هنا يُعامل بوصفه هندسة عامة، ولا يُخصَّص له نطاق مستقل.المصدر 

استُخدم نموذج تحليل الوجوه MaskGAN لتحديد الفم في كل صورة، ثم استُخدم الكاشف الطبي TongueSAM لتحديد المنطقة المرجّح أن تضم اللسان، قبل تمريرها إلى SegmentAnything، الذي أنشأ مخططًا أوليًا (أي تسمية زائفة) للجزء الظاهر من اللسان.

عينات من مجموعة بيانات TongueSAM، أُعدّت للاستخدام الطبي التحليلي لا لتقييم تعابير الوجه. المصدر

قُسّمت الأقنعة الناتجة إلى ثلاث مجموعات، وفقًا لمقدار الجزء الظاهر من اللسان. واستُبعدت العينات غير الصحيحة، فيما صُححت الأقنعة الواعدة يدويًا للتمييز بين اللسان والشفاه والأسنان والأنسجة الأخرى المحيطة به داخل الفم. واستُخدمت هذه التعليقات التوضيحية المنقّحة لتدريب شبكة تجزئة الصور BiSeNet.

ثم طُبّق النموذج على أشخاص إضافيين من مجموعة NERSemble وعلى إطارات اصطناعية من VFHQ، وتحقق أشخاص من صحة تنبؤاته وصححوها قبل إجراء مزيد من التدريب؛ وتكررت هذه العملية إلى أن استقر الأداء على أشخاص لم يسبق للنموذج رؤيتهم:

مسار معالجة لتحويل البيانات الموجودة إلى بيانات «نطاق اللسان».

لتركيب اللسان، وُسّعت المنطقة الفموية التي حددتها BiSeNet قليلًا قبل تمريرها إلى نموذج الانتشار، ما أتاح للسان المولّد أن يمتد إلى ما وراء حدود التجزئة الأولية مع تغيّر شكل الفم.

أُجري التوليد في الفضاء الكامن لنموذج تنويعات الصور في Stable Diffusion، مع توجيهين منفصلين مستمدين من هندسة الوجه المعاد بناؤها ومن اللسان الظاهر في إطار التحريك، ولم تُعَد معالجة سوى منطقة الفم واللسان المحددة.

مسار التوليد. وتشير الإحالة إلى DINO V2 في الربع العلوي الأيسر إلى استخدام GAGAvatar (انظر أدناه)، الذي يستخدم سمات المظهر في DINO V2 بالتزامن مع FLAME.

البيانات والاختبارات

دُرّبت BiSeNet على فئتين ناتجتين عن مراحل معالجة البيانات المذكورة سابقًا: الخلفية واللسان. واستمر التدريب على مدى 50,000 تكرار بمعدل تعلّم قدره 10^-3، باستخدام صور بأبعاد 512x512px وحجم دفعة 4، على وحدة معالجة رسومات NVIDIA A40 واحدة بذاكرة VRAM سعتها 48GB. وتألفت بيانات التدريب من إطارات NERSemble وVFHQ المذكورة سابقًا.

استُخدم في جزء إعادة التحريك العمود الفقري Gaussian Splatting المدرب مسبقًا GAGAvatar. كما استُخدمت نقطة التحقق الخاصة بنموذج Stable Diffusion Image Variations، مع إبقاء مُرمّزَي VAE وCLIP مجمّدين. ثم دُرّبت مُرمّزات التوجيه وشبكة إزالة الضوضاء UNET على بيانات NERSemble لمدة 85,000 تكرار، مع حجم دفعة قدره 8 ومدخلات بأبعاد 512×512. وللاستدلال، استُخدمت 20 خطوة من DDIM (ويُعد هذا عددًا كبيرًا في كثير من نماذج الانتشار الحالية، إذ يهدف إلى تفضيل التفاصيل، مع ما يصاحبه من مفاضلات حتمية).

شملت أطر الصور الرمزية المنافسة التي اختُبرت GPAvatar، وLivePortrait المشهود له، وX-NeMo، وX-Portrait. وقُيّم كل منها باستخدام 9,000 زوج من مقاطع المصدر والتحريك من VFHQ، تختلف فيها هوية الشخص.

شملت المقاييس المستخدمة التشابه الإدراكي المتعلّم بين رقع الصور (LPIPS)، ووجود اللسان (نسبة الإطارات التي يُكتشف فيها لسان)، وتقاطع منطقة اللسان على اتحادها (مقدار التداخل بين منطقتَي اللسان المولّد واللسان في إطار التحريك)، وتشابه مساحة اللسان (مدى تطابق حجم اللسان المولّد مع حجم اللسان في إطار التحريك).

نتائج اختبار تقارن TongueReenact بخمسة أطر منافسة لإعادة تمثيل الوجوه. حقق TongueReenact أفضل نتيجة في المقاييس الأربعة الخاصة باللسان؛ وتشير الأسهم إلى ما إذا كان الأفضل هو تسجيل درجات أقل أم أعلى.

وفيما يتعلق بالمقارنة الأولية، يقول المؤلفون:

‘تحقق طريقتنا أفضل أداء في مقاييس نقل اللسان الأربعة كلها، إذ سجلت 0.3582 في مقياس تقاطع اللسان على الاتحاد (Tongue IoU) و0.4338 في مقياس تشابه مساحة اللسان، أي أكثر من ضعف أقرب منافس، ما يؤكد دقة أعلى بكثير في نقل ديناميكيات اللسان.

‘وتُظهر نتيجة مقياس ظهور اللسان (Tongue Presence)، البالغة 0.7891، كذلك أن طريقتنا تُولّد حركة واضحة للسان بموثوقية، في حين لا تُنتج الطرق الحالية أي حركة للسان في كثير من الأحيان.’

فيما يلي بعض أبرز الأمثلة النوعية العديدة الواردة في الورقة البحثية الأصلية. نرى هنا مقارنات بين النهج الجديد والمناهج الخمسة السابقة المنافسة، التي لا يستطيع أي منها توليد الألسنة. يُرجى الرجوع إلى الورقة الأصلية للاطلاع على مزيد من الأمثلة وبدقة أعلى.

ومع أننا لا نستطيع تقييم ذلك بأنفسنا في ظل عدم توافر مواد فيديو تكميلية حاليًا، فقد اختبر المؤلفون النظام أيضًا لقياس الاتساق الزمني باستخدام T-LPIPS:

نتائج اختبارات الاتساق الزمني.

ويعلّق المؤلفون هنا قائلين:

‘يحقق نموذجنا الكامل انخفاضًا ملحوظًا في تذبذب التدفق (0.218543 مقابل 0.622901) ومقدار التدفق (0.513165 مقابل 1.254073)، ما يؤكد أن إزالة الضوضاء المرتكزة إلى الهندسة تنتج حركة لسان سلسة ومستقرة.

‘ويؤكد انخفاض مقياس T-LPIPS كذلك أن توليد اللسان لا يؤثر سلبًا في الاتساق الزمني.’

الخلاصة

بدأ أثر الوادي الغريب يتلاشى تدريجيًا بفضل بعض أحدث نماذج الفيديو القائمة على الانتشار. لكن ثمة حاجزًا نفسيًا جديدًا آخذًا في الظهور، إذ يتخذ الناس موقفًا سلبيًا من المواد التي يولّدها الذكاء الاصطناعي لأسباب لا تتعلق بجودة ما يشاهدونه.

ومن شأن ذلك أن يزيد تعقيد التقييم النوعي، وإن كنت أظن أن المقاييس القائمة على اختبارات «عمياء» (يرغب فيها المستخدم في خفض تقييم مخرجات الذكاء الاصطناعي، لكنه يخشى خفض تقييم المخرجات الحقيقية) قد تساعد على تطوير نوع من المقاييس «الخفية» لواقعية الذكاء الاصطناعي.

لذلك، ورغم وجود مسارات بحثية قوية لإعادة إنتاج سمات الهوية الثانوية بالذكاء الاصطناعي، مثل الشعر ومحاكاة المشاعر واتجاه النظر، والآن حركة اللسان، فقد لا تكون هذه المسائل ذات أهمية في الوقت الراهن.

* تحويلي للاستشهادات المضمنة للمؤلفين إلى روابط تشعبية.

نُشر لأول مرة يوم الأربعاء 11 نوفمبر 2026