Netflix تفتح مصدر Void: نموذج لإزالة الأجسام من الفيديو مع مراعاة فيزياء المشهد

فتحت Netflix شيفرة Void، وهو نموذج لتحرير الفيديو لا يزيل من الإطار الجسم وحده، بل يزيل أيضًا آثار وجوده. فعند حذف شخص كان يحمل غيتارًا، يترك المحرر التقليدي في كثير من الأحيان آلة «طائرة» في الهواء. أما Void فيحاول إعادة بناء المشهد كما لو أن الجسم لم يكن موجودًا أصلًا: يسقط الغيتار، وتستعيد الوسادة شكلها، ولا يقع الاصطدام. وبالنسبة إلى مرحلة ما بعد الإنتاج، تمثل هذه الخطوة انتقالًا مهمًا من مجرد تعبئة البكسلات إلى التحرير القائم على السببية. قدّم هذا العمل باحثون من Netflix وINSAIT التابع لجامعة صوفيا، وظهرت النسخة الأولية من الورقة البحثية على arXiv في 2 أبريل 2026.

وهنا تكمن المشكلة الرئيسية في إكمال الفيديو (video inpainting). فمعظم الأنظمة الحالية قادرة على سدّ الفجوة في الإطار وإصلاح العيوب السطحية مثل الظلال أو الانعكاسات، لكنها تفشل حين يتفاعل الجسم المحذوف فيزيائيًا مع المشهد. وتعرض الورقة البحثية والعرض التجريبي لـ Void حالات نموذجية: شخص يمسك غرضًا، وحمل يضغط على وسادة، وجسم يصطدم بآخر. وبعد الإزالة التقليدية تبقى آثار غير منطقية للمنطق الأصلي للمشهد. ويستهدف Void هذه السيناريوهات تحديدًا، وبحسب المؤلفين فإنه يحافظ على ديناميكية المشهد المتسقة بشكل أفضل من ProPainter وDiffuEraser وRunway وMiniMax-Remover وROSE وGen-Omnimatte. وبعبارة أخرى، لا يكتفي النموذج بإعادة تنقيح الخلفية، بل يحاول الإجابة عن سؤال أعقد: ماذا يجب أن يحدث في الإطار لاحقًا إذا اختفى الجسم الرئيسي فجأة؟

من الناحية التقنية، بُني Void فوق CogVideoX-Fun-V1.5-5b-InP من Alibaba PAI، وأُعيد تدريبه لمهمة video inpainting. والنموذج الأساسي هو 3D Transformer بحجم 5 مليارات معامل. أما الفكرة المحورية فهي استخدام quadmask بأربع قيم بدلًا من قناع ثنائي من نوع «احذف/أبقِ»: الجسم نفسه، ومنطقة التقاطع، ومنطقة التفاعلات المتأثرة، والخلفية التي لا تتغير. وبفضل ذلك لا يتلقى النموذج منطقة مقتطعة فحسب، بل وصفًا أكثر بنيوية لما ينبغي أن يتغير في المشهد بعد الإزالة. كذلك يُدخَل إلى النموذج وصف نصي للحالة المرغوبة للخلفية، والدقة القياسية للاستدلال في المستودع هي 384 × 672 بكسل بطول مقطع يصل إلى 197 إطارًا.

قبل التوليد، يحتاج النظام إلى فهم حدود الجسم المراد حذفه، وكذلك أجزاء المشهد التي تعتمد عليه. ولهذا الغرض خُصص في المستودع مسار معالجة مستقل: يقوم SAM2 بتجزئة الجسم، ويساعد Gemini في الاستدلال حول مناطق التفاعل، وبعدها يمكن تعديل القناع يدويًا عند الحاجة عبر محرر مدمج.

أضاف المؤلفون أيضًا استدلالًا من مرحلتين. تنفذ المرحلة الأولى الإزالة الأساسية وإكمال المشهد. أما الثانية فلا تهدف إلى «التجميل»، بل إلى معالجة مشكلة محددة في انتشار الفيديو (video diffusion)، وهي التشوه التدريجي للأجسام بين الإطارات. ولهذا يُستخدم optical flow وwarped noise المستخرجان من نتائج المرحلة الأولى، بغرض تثبيت الشكل والمسارات في المقاطع الطويلة.

ومن الجوانب اللافتة أيضًا مجموعة البيانات. فتكاد تنعدم الفيديوهات المزدوجة الحقيقية بصيغة «مع الجسم / دون الجسم مع فيزياء صحيحة»، لذلك جمع الفريق هذه البيانات تركيبيًا من HUMOTO وKubric، حيث تُعاد حسابات فيزياء المشهد من جديد بعد إزالة الشخص أو الجسم. وفي HUMOTO استُخدمت مشاهد motion-capture وإعادة المحاكاة في Blender، بينما غطّى Kubric سيناريوهات الاصطدامات والتفاعلات بين الأغراض.

الشيفرة والأوزان مفتوحة، والمستودع موزّع بموجب Apache 2.0، وتتوفر نسخة تجريبية على Hugging Face. لكن المطورين يحذرون منذ البداية، فيما يخص التشغيل السريع في Colab، من أن الأمر يتطلب وحدة GPU بذاكرة فيديو لا تقل عن 40 غيغابايت، علمًا بأن التدريب جرى على ثماني وحدات A100 بسعة 80 غيغابايت لكل منها.

وتتجاوز القيمة العملية لـ Void حدود العرض التجريبي الجذاب. فبالنسبة إلى الاستوديوهات وصنّاع المحتوى، قد يعني ذلك اختصار أسابيع من العمل اليدوي في اللقطات المعقدة، حيث لا يكفي حذف الجسم، بل يجب إعادة كتابة سلوك المشهد بعد اختفائه. وبالنسبة إلى الباحثين، هو إشارة أخرى إلى أن نماذج الفيديو بدأت تنتقل من توليد إطارات معقولة المظهر إلى نمذجة السببية. لكن هناك وجهًا آخر: كلما أصبحت هذه الأدوات أقل ظهورًا في تعديل الفيديو الحقيقي، ارتفعت متطلبات التحقق من أصالة المواد. ولذلك فإن Void أداة VFX قوية، وفي الوقت نفسه تذكير بأن الحد الفاصل بين المونتاج وإعادة كتابة الأحداث يزداد دقة.