ميزات الحصول على الوزن الزائد من خلال الذكاء الاصطناعي

يمكن نظام الذكاء الاصطناعي الجديد تحويل أشكال الناس في الصور بشكل واقعي ، مما يجعلها أكثر بدانة أو نحافة أو عضلات ، دون تغيير الوجه أو الملابس أو الخلفية. يتم تدريب النظام على مجموعة بيانات полностью اصطناعية تظهر كل الهوية عبر أنواع الجسم المتعددة.

إلى جانب استخدام الذكاء الاصطناعي بشكل متزايد كوسيلة لتعديل شكل الجسم على شبكات التواصل الاجتماعي ، أو (ربما) لتعديل أنواع الجسم لأغراض التأثيرات البصرية ، يمكن أن يكون استخدام التعلم الآلي لتعديل مظهر الأفراد له دور أكثر أهمية: مساعدة الأفراد الذين يعانون من اضطرابات الأكل على فهم تفسيرهم غير متناسب لشكلهم ، بالإضافة إلى تقديم أداة мотивية محتملة لأغراض الرياضة واللياقة البدنية بشكل عام:

من ورقة ‘تقدير حجم الجسم في النساء الذين يعانون من فقدان الشهية و السيطرة على الوزن باستخدام أفاتار ثلاثية الأبعاد’ ، واجهة مستخدم لvisualize التغييرات في شكل الجسم. Source: https://www.nature.com/articles/s41598-017-15339-z.pdf

بالإضافة إلى ذلك ، فإن فرع “التجربة على الملابس” في أبحاث الرؤية الحاسوبية له اهتمام بالتقديمات الدقيقة عبر مجموعة متنوعة من أنواع الجسم. في غضون ذلك ، تم إنشاء إطار مثل DiffBody لعام 2024 من جامعة تسوكوبا في اليابان ، والذي قدم بعض الوظائف المثيرة للاهتمام في هذا المجال:

بعض التحويلات الممكنة باستخدام تقنية DiffBody السابقة. Source: https://arxiv.org/pdf/2401.02804

منذ أن يتم تحسين نماذج الذكاء الاصطناعي الأساسية نحو الأشكال الجسمية التقليدية أو الجميلة ، فإن الأحجام غير العادية مثل “السمنة” إما أن تكون متوفرة بشكل محدود في النماذج القياسية أو أن تأتي مع بعض التحيزات القاسية:

الضروريات المتوازية

تعتبر واحدة من أكبر التحديات في إنشاء أنظمة ذكاء اصطناعي يمكنها تحويل الأشكال الجسمية بشكل واقعي في الصور – دون تغيير الهوية أو البيئة أو الملابس – هي أن هذا يتطلب “تدريبًا متوازيًا” ، حيث يتعلم نظام الذكاء الاصطناعي بشكل فعال الصور “قبل” و “بعد” التي تعرف التحويل الذي يهدف النموذج إلى أدائه.

لقد عادت هذه الأنواع من التدريب إلى الأضواء مرة أخرى خلال الصيف بسبب نجاح سلسلة Black Forest Labs’ Kontext من نماذج تعديل الصور ، حيث تم استخدام بيانات متوازية من هذا النوع لتعليم مجموعة من التحويلات للنماذج:

من موقع Flux Kontext ، مثال على تحويل يعكس نوع البيانات المصدر التي يتعين على النموذج تعلمها للاحتفاظ بسلامة الصورة عند إجراء تغييرات كبيرة. Source: https://bfl.ai/models/flux-kontext

من الواضح أنه في حالة تطوير نموذج يمكنه تغيير مظهر الشخص بشكل كبير (دون إعادة تخيل الصورة بأكملها) ، فإننا بحاجة إلى شيء مستحيل في العالم الواقعي: صور “قبل” و “بعد” радикальية تم التقاطها بعدة ثوان.

الخلاص الوحيد هو البيانات الاصطناعية. لقد استخدم بعض مشاريع هذا النوع أزواجًا فردية عالية الجودة تم إنشاؤها يدويًا في برنامج Photoshop ؛ ومع ذلك ، فإن هذا غير واقعي على نطاق واسع ، ويتزايد التفكير في أن عملية أوتوماتيكية أو شبه أوتوماتيكية مدعومة بالذكاء الاصطناعي هي الأفضل.

مشكلة Approaches القائمة على GAN و SMPL / X (حيث يتم استخدام شخصية CGI افتراضية كوسيلة交換 بين الصور الحقيقية والتحويلات المطلوبة) ، والمناهج التي تستخدم تحويل الصورة ، هي أن الخلفية والهوية تميل إلى المعاناة في العملية.

النماذج CGI المتجهة مثل SMPL و SMPL-X (من بين أخرى) توفر إحداثيات فيزيائية ثلاثية الأبعاد تقليدية يمكن تفسيرها ودمجها في إطارات الرؤية الحاسوبية. Source: https://files.is.tue.mpg.de/black/papers/SMPL2015.pdf

منذ أن من المهم أن يتعلم الذكاء الاصطناعي تغيير الجوانب المرغوبة فقط ، بدلاً من تعلم تحويل الخلفيات وتكرار الأخطاء غير المرغوب فيها ، لم يصل نظام تغيير الشكل بعد إلى حل مثالي.

ومع ذلك ، فإن ورقة حديثة من الهند تقترح تقدمًا ملحوظًا على حالة الفن من خلال استخدام إطار نموذج Diffusion القديم مع عدد من المناهج الثانوية التي تمكن من إنشاء مجموعة بيانات متوازية متفوقة:

أمثلة على مجموعة البيانات من المشروع الجديد. Source: https://arxiv.org/pdf/2508.13065

يتكون المشروع من مجموعة بيانات جديدة وواسعة النطاق ؛ Odo ، نموذج انتشار مولد مدرب على هذه البيانات ؛ وبرنامج اختبار مخصص تم إنشاؤه لتقدير أداء تحرير الشكل البشري بشكل كمي.

الورقة الجديدة بعنوان Odo: Diffusion الموجهة بالعمق لتحويل الشكل الجسمي الذي يحافظ على الهوية ، وهي من ثلاثة باحثين في Fast Code AI Pvt. Ltd في بنغالور.

البيانات والمنهج

تتميز مجموعة البيانات التي أنشأها الباحثون ب 7,615 صورة عالية الدقة (960x1280px) لكل نوع جسم مستهدف (سمين ، نحيف ، و عضلي).

تم إنشاء 1,523 وجه بشري في البداية من خلال نموذج Diffusion FLUX.1-dev ذي 12 مليار معلمة ، على الرغم من استخدام عدد غير محدد من الوجوه المرجعية الخالية من حقوق النشر من Pexels و Unsplash لزيادة التنوع.

为了生成 صور الجسم الكامل التي تضم هذه الوجوه ، استخدم الباحثون عرض ByteDance لعام 2024 PuLID ، وهو نموذج Fine-Tuned على قاعدة Flux ، وتمتلك خسارة تعريفية تهدف إلى الحفاظ على هوية الوجه أثناء عمليات التحويل:

أمثلة من مشروع PuLID. Source: https://arxiv.org/pdf/2404.16022

تم تزويد النموذج بصور الوجه وطلب موحد يطلب الجنس ، الملابس ، الوضعية ، المشهد ، بالإضافة إلى نوع الجسم نحيف ، سمين ، أو عضلي.

أحيانًا ما كانت الصور الثلاث لأنواع الجسم لكل هوية تظهر تحولات طفيفة في محاذاة الخلفية وحجم الموضوع ، ناتجة عن السلوك العشوائي لأنماط الانتشار ، حيث يبدأ كل توليد من بذرة ضوضاء جديدة.

为了 تصحيح هذا التباين ، تم تطبيق خط أنابيب ما بعد المعالجة التلقائي على أربع مراحل ، مع اختيار صورة نحيف في كل ثلاثية كمرجع ، نظرًا لأن سيلهوته الصغيرة كشفت المزيد من الخلفية.

تم إجراء كشف الشخص باستخدام RT-DETRv2 ، تلاه تقسيم باستخدام SAM 2.1 لاستخراج أقنعة الموضوع لجميع أنواع الجسم الثلاثة.

تم تمرير صورة المرجع نحيف إلى FLUX.1 Kontext Pro (نظام تحرير الصور الأحدث) للتحقق من الخلفية ، مما أدى إلى إنشاء نسخة نظيفة من المشهد ، مع إزالة الموضوع.

The authors state:

‘الناتج من ثلاثيات التحويل (نحيف ، سمين ، و عضلي) لها خلفية متطابقة ومقياس موضوع موحد. هذا يزيل التباينات غير المرغوب فيها التي يمكن أن تؤثر سلبًا على التدريب أو التقييم اللاحق.’

Each triplet of thin, fat, and muscular images allowed six possible transformation pairs, resulting in 45,690 theoretical combinations across 7,615 identities.

After filtering out examples with mismatched clothing, unnatural poses, distorted limbs, identity drift, or minimal shape change, 18,573 high-quality pairs were retained. Though some minor pose differences remained, the model would prove robust to these variations.

التدريب والاختبارات

The resulting images were used to train the Odo model – a diffusion-based approach to reshaping humans, with the use of Skinned Multi-Person Linear Model (SMPL, i.e., intermediate CGI) maps.

Informed by the 2024 Neural Localizer’s methods, the data was conformed to the SMPL figure on a per-individual basis, with the resulting optimized parameters capable of producing depth maps from which the altered images would be derived:

schema for the training pipeline. The left side shows the training setup, where SMPL depth maps from the target image guide ReshapeNet via ControlNet to perform body transformation. Features from the source image are extracted by ReferenceNet and merged into ReshapeNet using spatial self-attention. The right side shows inference, where SMPL parameters are estimated from the input image, modified by semantic attributes, and rendered into a target depth map that conditions ReshapeNet during denoising, to produce the final transformed image.

The model (see schema above) comprises the ReshapeNet module, supported by three ancillary modules: ReferenceNet; an IP-Adapter module; and a depth-based ControlNet module.

The ReferenceNet extracts detailed features such as background, clothing, and identity from the input image, and passes them to ReshapeNet. IP-Adapter contributes high-level feature guidance, while the Depth ControlNet applies SMPL-based conditioning to guide the body transformation. In line with previous works, an SDXL-based frozen UNet was used to extract intermediate features.

As for the IP-Adapter module, this encodes the input image via CLIP, with the resulting embeddings integrated back into ReshapeNet via cross-attention.

As for the Depth ControlNet module, this guides the middle and decoder layers of ReshapeNet using residual connections. Subsequently, it takes a depth map rendered from the target SMPL parameters, and aligns it with the target image.

ReshapeNet, based on the SDXL UNet, is the core network of Odo. During training, target images are encoded into latent space with a variational autoencoder, noised over time, and then denoised by ReshapeNet using features from ControlNet and ReferenceNet.

Category-specific text prompts such as ‘Make the person fatter,’ ‘Make the person thinner,’ or ‘Make the person muscular’ were added, to guide transformations. While the depth maps captured coarse body shapes, the prompts provided the semantic detail needed for changes such as muscle definition, allowing the model to produce more accurate and realistic modifications.

تطبيق التدريب

Odo was trained on the project’s synthetic dataset, combined with a subset of the DeepFashion-MultiModal dataset, yielding a total of 20,000 image pairs.

The DeepFashion-MultiModal data provided variety in garments and facial features, with images paired against themselves during training. With all SMPL depth maps precomputed for efficiency, training ran for 60 epochs on a single NVIDIA A100 GPU with 80GB of VRAM.

With the input images resized to 768×1024, the Adam optimizer was used, at a learning rate of 1×10⁻⁵. ReshapeNet was initialized with SDXL UNet weights, and fine-tuned jointly with the IP-Adapter from its checkpoint.

ReferenceNet was initialized with SDXL weights and kept frozen, while the Depth ControlNet used pre-trained weights and also remained frozen.

The final model required about 23GB of GPU memory, requiring 18 seconds for single-image inference.

مقياس جديد

The lack of datasets of the kind required for this type of project meant that no existing metrics really addressed the challenge. Therefore the authors devised a novel benchmark, comprised of 3,600 image pairs, featuring real face images and background descriptions, along with diverse body shape variations.

Other metrics used were Structural Similarity Index (SSIM); Peak Signal-to-Noise Ratio (PSNR); Learned Perceptual Image Patch Similarity (LPIPS); and Scale Corrected Per-Vertex Euclidean error in neutral (T-)pose (PVE-T-SC).

First, the authors tested their method qualitatively against in-the-wild images (images not seen by the model during training):

اختبارات نوعية. تظهر الأمثلة تحويلات من الصورة الأصلية إلى أنواع جسم نحيف ، سمين ، وعضلي عبر أوضاع مختلفة ، بما في ذلك الجلوس والوقوف. يرجى الرجوع إلى الورقة الأصلية للحصول على تعريف أفضل و تفاصيل.

Of these results, the paper states:

‘طريقةنا تتعامل بشكل فعال مع أوضاع وأخلفيات وملابس متنوعة مع الحفاظ على هوية الشخص.

‘بالإضافة إلى أشكال SMPL المستهدفة ، نقدم توجيهات نصية – “اجعل الشخص أكثر بدانة” ، “اجعل الشخص أكثر نحافة” ، أو “اجعل الشخص أكثر عضلات” – لتوجيه التحويلات المطلوبة بشكل صريح…

… ‘الصورة أدناه تظهر أيضًا قدرة نموذجنا على أداء تحويلات شكل متنوعة. النموذج يتبع بدقة خرائط SMPL العمق لإنشاء عدة نسخ من الأشكال النحيفة والسمينة من الصورة المرجعية.’

مزيد من الاختبارات النوعية التي تغطي مجموعة متنوعة من أنواع الجسم المستهدفة. يرجى الرجوع إلى الورقة الأصلية للحصول على تعريف أفضل و تفاصيل.

The authors further comment:

‘تظهر نتائجنا تحويلات أكثر واقعية وفقًا للوزن المستهدف ، حيث يعدل نموذجنا بشكل متزامن الشكل الجسمي العام والنسب العضلية و الملابس ، مما ينتج تعديلات متسقة تشريحيًا ومتوافقة بصريًا.’

For quantitative tests, the authors pitted their system against the open source Flux Kontext [dev] model, FLUX.1, and the 2022 offering Structure-Aware Flow Generation for Human Body Reshaping.

For FLUX.1 Kontext [dev], prompts were designed to instruct ‘Make the person fatter,’ ‘Make the person thinner,’ or ‘Make the person muscular’, with target weights specified – though the lack of fine-grained controls limited performance:

مقارنة بين Odo و Structure-Aware Flow Generation for Human Body Reshaping و FLUX.1 Kontext [dev] على مجموعة الاختبار ، بالإضافة إلى نتائج الدراسات الإضافية (BR-5K) التي لا يتم تغطيتها هنا.

الاستنتاج

The advent of Flux Kontext this year, and even more recently the release of the unquantized weights for Qwen Image Edit, have brought paired image data back to the forefront of the hobbyist and professional communities. In the climate of growing criticism of and impatience regarding the imprecision of generative AI, models of this kind are designed for much higher fidelity to the input source images (though smaller-scale models are sometimes hamstrung by their very specific training goals).

In this case, the utility of a body-shaping system would seem to lie in psychological, medical, and fashion-based fields. Nonetheless, it remains possible that systems of this kind will achieve a higher level of prominence, and, perhaps a more casual and even potentially concerning set of uses.

First published Monday, 25 أغسطس 2025