شهدت توليد الصور من النصوص ذات الدقة الفائقة (UHR) تقدّمًا ملحوظًا. ومع ذلك، ما زالت هناك تحديان رئيسيان: الأول، عدم توفر مجموعة بيانات كبيرة الحجم وعالية الجودة لتصنيع الصور من النصوص ذات الدقة الفائقة؛ والثاني، إهمال استراتيجيات تدريب مخصصة لتحسين توليد التفاصيل الدقيقة في السياقات ذات الدقة الفائقة. وللتصدي للتحدي الأول، نقدّم \textbf{UltraHR-100K}، وهي مجموعة بيانات عالية الجودة تضم 100 ألف صورة ذات دقة فائقة، مصحوبة بوصف غني ومتنوع، وتتميز بتنوع المحتوى ودقة بصرية عالية. وتمت معايرة كل صورة بدقة تفوق 3000 بكسل، مع تقييم دقيق من حيث غنى التفاصيل، وتعقيد المحتوى، وجودة الجماليات. وللتصدي للتحدي الثاني، نقترح أسلوبًا ما بعد التدريب يراعي التردد (Frequency-aware Post-training)، يُحسّن من قدرة نماذج التوليد التدريجي (T2I diffusion) على إنتاج التفاصيل الدقيقة. وتحديدًا، نصمم (i) \textit{استخراج التوقيت المُوجَّه نحو التفاصيل (DOTS)}، الذي يركّز عملية التعلّم على مراحل التصفية الحاسمة التي تتعلق بالتفاصيل الدقيقة، و (ii) \textit{التنظيم التكراري بالوزن اللين (SWFR)}، الذي يستخدم التحويل التوافقي المنفصل (DFT) لتقييد مكونات التردد بشكل لين، مما يشجع على الحفاظ على التفاصيل عالية التردد. وقد أظهرت التجارب الواسعة على معايير التقييم التي قدمها الفريق، وهي UltraHR-eval4K، أن النهج المُقترح يُحسّن بشكل ملحوظ من جودة التفاصيل الدقيقة ودقة الصورة الإجمالية في توليد الصور ذات الدقة الفائقة. يُمكن الاطلاع على الشيفرة المصدرية من خلال الرابط: \href{this https URL}{هنا}.