Make-A-Scene: توليد صور من نص بناءً على المشهد باستخدام المعرفة البشرية

تُقدّم الأساليب الحديثة لتحويل النص إلى صورة قدرة بسيطة ولكنها مثيرة على التحويل بين مجالات النص والصورة. وعلى الرغم من التحسينات التدريجية التي تم تحقيقها في جودة الصور المولّدة وارتباطها بالنص، تظل هناك فجوات جوهرية لم تُحل بعد، مما يحد من التطبيقات الممكنة وجودة النتائج. نقترح طريقة جديدة لتحويل النص إلى صورة تُعالج هذه الفجوات من خلال (أ) تمكين آلية تحكم بسيطة تكمل النص من خلال مخطط مشهد (scene)، (ب) إدخال عناصر تُحسّن بشكل كبير عملية التجزئة (tokenization) من خلال استخدام معرفة محددة بالمنطقة (domain-specific knowledge) في مناطق الصورة الرئيسية (مثل الوجوه والأجسام البارزة)، و(ج) تكييف التوجيه بدون فاصل (classifier-free guidance) لحالة استخدام النموذج التحويلي (transformer). تحقق نموذجنا أفضل النتائج في مؤشر FID والاختبارات البشرية، مما يتيح إمكانية إنشاء صور عالية الولادة (fidelity) بدقة 512×512 بكسل، مع تحسين ملحوظ للجودة البصرية. وبفضل القدرة على التحكم بالمشهد، نُدخل عدة قدرات جديدة: (أ) تعديل المشهد، (ب) تعديل النص باستخدام مشاهد مرجعية (anchor scenes)، (ج) التغلب على نصوص مُدخلة خارج التوزيع (out-of-distribution text prompts)، و(د) إنشاء صور توضيحية للقصص، كما تم عرض ذلك في القصة التي كتبناها.