أظهر WACV 2026 في توسان تحوّل الرؤية الحاسوبية نحو تعدد الوسائط والبيانات الاصطناعية

أكدت مؤتمر WACV 2026 في توكسون أن رؤية الحاسوب تتحول بسرعة نحو النماذج متعددة الأنماط والبيانات الاصطناعية والحسابات الأكثر كفاءة. في تقرير من مشارك من FusionBrain AIRI، تتحد هذه الاتجاهات مع عملي المختبر الخاصين به - حول اختيار الإطارات الرئيسية للفيديوهات الطويلة وتحليل ما يحتفظ به محركات ترميز الرؤية فعلياً.

الصيغة والحجم

يعتبر WACV تقليدياً الأخ الأكثر تطبيقاً من CVPR: هنا يوجد نظرية أقل من أجل النظرية وأنظمة وأكثر وقواعد بيانات وحلول هندسية يمكن نقلها إلى منتجات حقيقية. وفقاً لرواية المشارك، فإن معدل القبول بنسبة 25–30% يجعل المؤتمر تنافسياً لكن ليس ساحقاً، والصيغة التي تضم 200–300 شخص تختلف بشكل ملحوظ عن الأحداث الضخمة مثل NeurIPS أو ICCV. جميع الأنشطة جرت في مكان واحد - فندق JW Marriott Starr Pass Resort في منتصف صحراء سونورا بالقرب من توكسون.

WACV هو "مؤتمر بالحجم الصحيح". من المؤكد أن هذه الحميمية هي التي أصبحت

أحد المزايا الرئيسية للحدث. في مثل هذا المكان، من الأسهل الاقتراب من صاحب الملصق ومناقشة معمارية النموذج أو مقارنة النتائج دون قوائم انتظار طويلة وضوضاء حدث كبير. لعبت الموقعية أيضاً دورها: اتضح أن مجمع منتجع في الصحراء جميل لكن معزول، لذلك وصل جميع المشاركين تقريباً بسيارة أجرة أو Uber. بالمقابل، تلقوا مزيجاً نادراً من برنامج علمي كثيف وأجواء شبه معملية للمحادثات.

المواضيع العلمية الرئيسية

إذا جمعت العروض التقديمية والملصقات في صورة واحدة، أظهر WACV 2026 مجموعة واضحة جداً من الأولويات لرؤية الحاسوب. ينتقل التركيز من مجرد زيادة حجم البيانات إلى تحسين كفاءة أخذ العينات، إلى توليد أمثلة التدريب من خلال نماذج الانتشار، والإدارة الديناميكية للحسابات داخل المحولات. هذا لم يعد مجموعة من التجارب المنفصلة، بل اتجاه عام تكرر في أعمال من نطاقات فرعية مختلفة - من الطب إلى تحليل الفيديو.

• أصبحت تعددية الأنماط الوضع الافتراضي وليست ميزة غريبة لمختبرات فردية.
• تُستخدم البيانات الاصطناعية بشكل متزايد كأساس لسيناريوهات البداية البادرة بدون تعليقات حقيقية.
• تتجاوز كفاءة النموذج الكم نحو حذف الرموز واندماج الرموز وأحجام الرقع التكيفية.
• يبقى فهم الفيديو تحدياً مفتوحاً على الرغم من نمو النماذج والمعايير.

يلاحظ الانعطاف نحو الخطوط الأنابيب الاصطناعية والهجينة بشكل خاص. ناقش المؤتمر حالات حيث تتفوق البيانات المولدة بشكل اصطناعي بالفعل على مجموعات البيانات الحقيقية في نطاقات ضيقة مثل الطب والصور الفضائية والتحكم في الجودة الصناعية. في الوقت نفسه، نضجت الأساليب لتسريع نماذج ViT: بدلاً من الضغط البسيط، تُطبق الطرق بشكل متزايد التي تغير كثافة الحسابات بناءً على محتوى الإطار. لكن الفيديو يبقى منطقة صعبة: يوجد المزيد من البيانات، لكن "فهم" الآلة الكامل للسياق الفيديو الطويل لا يزال بعيداً عن مشكلة محلولة.

أعمال AIRI FusionBrain

أحضرت AIRI FusionBrain عملين إلى WACV، كلاهما بصيغة ملصق. الأول، MaxInfo، يقترح طريقة بدون تدريب لاختيار الإطارات الرئيسية في الفيديوهات الطويلة لنماذج الفيديو للغة الكبيرة. بدلاً من الاختيار الموحد لكل إطار N، تحصل الطريقة أولاً على التضمينات من خلال محرك ترميز ViT، ثم تضغط التمثيل من خلال SVD، ثم تطبق خوارزمية rect_maxvol لاختيار الإطارات الأكثر تنوعاً وإفادة. وفقاً للمؤلفين، يوفر هذا الوحدة القابلة للإدراج والتشغيل تحسناً بنسبة تقريباً 3–5% على LongVideoBench لـ LLaVA-Video و Qwen2-VL دون تغيير البنية المعمارية.

العمل الثاني، Feature Inversion as a Lens on Vision Encoders، يجيب على سؤال أكثر أساسياً: ما الذي يخزنه محرك ترميز الرؤية بالضبط؟ يظهر الباحثون أنه يمكن إعادة بناء الصور الأصلية من ميزات ViT المجمدة، والتحويلات الخطية البسيطة في فضاء الميزات تؤدي إلى تغييرات متوقعة في فضاء البكسل، مثل تحولات الألوان القابلة للتحكم. هذه النتيجة مهمة ليس فقط كعرض جميل لهندسة فضاء الميزات، بل أيضاً كدليل عملي عند اختيار محركات الترميز: النماذج ذات الأهداف المركزة على الصور تحتفظ بمزيد من المعلومات البصرية.

كان الاهتمام بهذه الملصقات ملحوظاً، وفقاً للتقرير: اقترب الناس من الأكشاك ونقاشوا التفاصيل وقاموا بمسح رموز QR مع المواد. يوضح هذا روح WACV نفسه: هنا، تقدّر القيمة ليس فقط على الاسم المرموق لمختبر، بل أيضاً على الفرصة لفحص فكرة بهدوء مع المؤلف في الموقع. بالنسبة لفرق البحث الصغيرة، غالباً ما يكون هذا الشكل أكثر فائدة من التقديم في مكان كبير جداً، حيث يذوب الاتصال مع الجمهور بسرعة في النطاق.

ماذا يعني هذا

أظهر WACV 2026 أن رؤية الحاسوب التطبيقية تدخل مرحلة حيث الفائزون ليسوا النماذج الأثقل، بل تلك التي تجمع بشكل أفضل بين تعددية الأنماط والبيانات الاصطناعية والحسابات التكيفية. بالنسبة للفرق التي تبني منتجات على CV و AI الفيديو، هذا إشارة للنظر ليس فقط إلى جودة المعايير، بل أيضاً إلى كيفية عمل النموذج مع السياق الطويل ونقص التعليقات والقيود الحقيقية للموارد.