في عالم تحرير الصور، تكتسب نماذج تعديل مظهر الوجه القائمة على النصوص شهرة متزايدة، بفضل التطبيقات الرائجة مثل FaceApp و Photoshop. تعتبر الشبكات التوليدية المعاكسة (Generative Adversarial Networks - GANs) والنماذج القابلة للتشكل ثلاثية الأبعاد (3D Morphable Models - 3DMMs) من الأدوات الرائدة في هذا المجال، بيد أن كل واحدة منها تأتي مع مزايا وعيوب.

تسجل GANs نجاحاً في تنفيذ تعديلات متنوعة على الوجوه، مثل تغيير لون الشعر وأشكاله، لكنها في الغالب تعاني من عدم الاستقرار في النتائج. من ناحية أخرى، توفر 3DMMs تعديلات مستقرة، لكنها تقتصر على تغيير تعابير الوجه ووضعياته.

مع تزايد شعبية نماذج التحريك القائمة على النصوص، مثل Nano Banana، قامت دراسة شاملة بتقييم ستة نماذج شهيرة لهذا النوع، وذلك في مهمة تحرير وجه تسلسلية. تم الاعتماد على مجموعة بيانات ضخمة اختبرت حوالي مليون صورة، وقدم الباحثون مجموعة "Face-Edit-Attributes"، التي تضم 169 سمة لتحرير الوجوه تركز على الشعر والملحقات ووضعيات الوجه.

استخدمت الدراسة مجموعات بيانات معروفة مثل CelebA وCelebSET لمقارنة أداء النماذج، وأظهرت النتائج أن معظم النماذج كانت فعالة في تعديلات الشعر والملحقات، لكنها واجهت صعوبات في تعديل الوضعيات. وقد أظهرت جميع النماذج ميلها إلى التعديل الزائد، حيث كان يتم تغيير لون الشعر عند الطلب فقط لتغيير تسريحة الشعر.

بالإضافة إلى ذلك، تم تقييم التحيزات الديموغرافية لكل نموذج. وتشير النتائج إلى وجود تحيزات غير متوقعة أثناء التعديل الزائد، حيث تؤدي معظم النماذج إلى المزيد من التعديلات الزائدة على الوجوه ذات البشرة الداكنة والأوجه القديمة.

المزيد من التفاصيل والبيانات متاحة على GitHub، مما يتيح للباحثين والمطورين فرصة الاستفادة من هذاงาน القيّم.