توليد الفيديو بمعرض تعابير الوجه يتفوق على النماذج الأساسية في تشابه الهوية

تتلقى نماذج توليد الفيديو التي تحافظ على الهوية عادةً صورة شخصية واحدة مدخلًا، وينبغي أن تُبقي الوجه قابلًا للتعرّف عليه طوال المقطع. يبيّن مؤلفو الورقة البحثية arXiv:2610.11023 أن في هذا النهج عيبًا بنيويًا. فاللقطة الواحدة تثبّت الوجه في حالة واحدة، ولا يحدد المرجع شكله عند الضحك أو الصراخ أو الدهشة. يقترح الباحثون استبدال الصورة المنفردة بمعرض مضغوط من التعابير المختلفة. وقد وسّعوا نموذج Stand-In ليتعامل مع هذه المجموعات، واختبروا النتيجة في ثلاثة أوضاع: تعابير ضعيفة وقوية ومتطرفة. وأظهر النهج أفضل أداء مع التعابير المتطرفة.

المشكلة: الوجه يتغيّر من شخص لآخر

عند تغيّر التعبير، لا يتغيّر التشابه الخارجي مع اللقطة المحايدة بصورة موحّدة. فعند بعض الأشخاص لا تكاد الابتسامة تمس الملامح، وعند آخرين تغيّرها بوضوح. لذلك يضطر النموذج الذي رأى صورة محايدة فقط إلى تخمين شكل هذا الوجه أثناء الحركة. وهو يخمّن اعتمادًا على أنماط إحصائية متوسطة من بيانات التدريب، فتضيع ملامح الهوية.

وتفسد الخاصية نفسها تقييم الجودة. فقد قاس المؤلفون كيف يتوقف التشابه في أنظمة التعرّف على الوجوه على شدة التعبير، باستخدام صور وفيديوهات مُحكَمة من مجموعة البيانات MEAD. وتبيّن أنه حتى في الصور الحقيقية للشخص نفسه ينخفض التشابه مع المرجع المحايد عند التعابير القوية. فالمقياس الذي يقارن الإطار المولَّد بصورة واحدة يعاقب النموذج على التغيّر الطبيعي في الوجه، لا على فقدان الهوية.

ما الذي اقترحه المؤلفون

يعمل الحل على مستويين: التقييم والتوليد.

في التقييم، جُمع معرض مراجع مضغوط لكنه معبّر، يغطي تشكيلات وجهية مختلفة. ويُحتسب التشابه بوصفه تطابقًا مع المعرض لا مع لقطة واحدة، وهذا أكثر ثباتًا أمام تغيّر التعابير. وتُعرض النتائج منفصلة للتعابير الضعيفة والقوية والمتطرفة، كي يظهر التدهور مع ازدياد الشدة ولا يضيع في القيمة المتوسطة.

وفي التوليد، وسّع المؤلفون Stand-In ليقبل مجموعات من التعابير. كما بنوا مسار معالجة لإعداد البيانات، يقتطع من الفيديوهات التدريبية لقطات للوجه تتسق في الهوية وتتنوع في التعبير في آنٍ واحد. وإذا لم يكن لدى المستخدم سوى صورة واحدة، يولّد نموذج face reenactment مدرَّب مسبقًا، أي نموذج نقل تعابير الوجه، التعابير الناقصة.

العناصر الأساسية في العمل:

• أساس دراسة اعتماد التشابه على التعبير: صور وفيديوهات مُحكَمة من MEAD؛
• ثلاثة أوضاع للتقييم: تعابير ضعيفة وقوية ومتطرفة؛
• نوعان من مجموعات المراجع: حقيقية ومُولَّدة من صورة شخصية واحدة؛
• النموذج الأساسي: Stand-In مشروطًا بمجموعة من المراجع؛
• النتيجة: يتفوق الخياران على النماذج الأساسية المختبَرة في تشابه الهوية في الأوضاع الثلاثة كلها، وتحقق التعابير المتطرفة أكبر زيادة.

لا يتضمن الملخص أي قيم رقمية لمقدار التحسن، وقد أُجريت المقارنة على معيار اختباري مُحكَم أعدّه المؤلفون أنفسهم. ولا يوجد حتى الآن تأكيد مستقل على مجموعات بيانات خارجية، ولذلك لا يمكن تقدير حجم الأثر من نص الملخص.

الخلاصات العملية

تبرز أهمية خاصة لخيار المراجع المُولَّدة. فهو يعني أن التحسين لا يتطلب من المستخدم رفع عشر صور. تكفي صورة واحدة، وتتولى نموذج reenactment استكمال الباقي. وبالنسبة إلى المنتجات القائمة على الأفاتار والمذيعين الافتراضيين والإعلانات المخصصة، هذه طريقة منخفضة التكلفة لرفع قابلية التعرّف على الوجه في المشاهد العاطفية، وهي المشاهد التي تخفق فيها المولِّدات الحديثة في أغلب الأحيان.

يمكن للفرق التي تقيّم نماذجها الخاصة أن تتبنى فكرة التقسيم بحسب شدة التعبير. فمقياس التشابه المتوسط يخفي الإخفاقات في التعابير المتطرفة، وهي بالذات ما يلاحظه المشاهد. كما أن المقارنة بمعرض بدلًا من لقطة واحدة تقلّل خطر الإنذارات الكاذبة.

وثمة مخاطرة واضحة أيضًا. فكلما أحسن النموذج الحفاظ على الوجه في أي تعبير، سهل إنتاج تزييف عميق (ديب فيك) مقنع لأشخاص بعينهم انطلاقًا من صورة واحدة. وهذا سبب يدعو المنصات إلى التفكير مسبقًا في التحقق من الموافقة ووسم الفيديوهات المصطنعة، فيما تنتقل هذه الأساليب من الأوراق البحثية إلى المنتجات.