في عالم الذكاء الاصطناعي، يمثل توليد الفيديو المتعدد اللقطات (Multi-shot Video Generation) تطورًا مثيرًا، حيث يسعى لتقديم سرد بصري متسق ومعزز بالشخصيات والمواقع. ومع ذلك، يظل الحفاظ على تناسق العناصر عبر اللقطات الطويلة تحديًا رئيسيًا. لهذا السبب، تم تقديم **EntityBench**، وهو معيار جديد يهدف إلى تقييم هذا النوع من التوليد بدقة أكبر.

تشتمل مجموعة البيانات الخاصة بـ EntityBench على 140 حلقة تتضمن 2,491 لقطة مستمدة من وسائط سردية حقيقية، مع جدول زمني منفصل لكل لقطة لتتبع الشخصيات والأشياء والمواقع عبر مستويات من السهولة إلى الصعوبة، حيث يصل عدد اللقطات إلى 50 لقطة ويمتد الفارق الزمني بين العودات إلى 48 لقطة.

يترافق هذا المعيار مع مجموعة تقييم تتكون من ثلاثة أعمدة، تشمل تقييم الجودة داخل اللقطة، والتوافق مع المتطلبات المحددة، وتناسق العناصر عبر اللقطات. ومن المميز أن هناك بوابة موثوقية تقبل فقط المظاهر الدقيقة للعناصر في تسجيلات العبور، مما يضمن نتائج دقيقة.

وعلى سبيل المثال، يقدم الباحثون نظام **EntityMem**، الذي يستخدم ذاكرة معززة لتخزين مرجعيات مرئية لكل عنصر قبل بدء عملية التوليد. تظهر التجارب أن تناسق العناصر عبر اللقطات يتدهور بشكل حاد مع زيادة المسافة الزمنية في الأساليب الحالية، بينما يوفر استخدام الذاكرة المخصصة لكل عنصر أعلى مستوى من الموثوقية في الظهور والتنقل.

لقد أحدثت هذه التطورات ثورة في قدرات توليد الفيديو، وفتحت آفاقًا جديدة لتعزيز التفاعل البصري والتجربة السردية. فما رأيكم في هذا التطور؟ شاركونا في التعليقات!