في عالم الأبحاث العلمية، تعد الرسوم المركبة أداة رئيسية تحمل العديد من الألواح (panels) المميزة، ولكن مع تزايد كميات البيانات، تزداد التحديات في تفسير هذه المعلومات. هنا جاء الدور الرائد لـ FigEx2، الإطار الذي يغير قواعد اللعبة في المجال.

يعتبر FigEx2 نموذجاً متقدماً مصمماً خصيصاً لمعالجة الصور العلمية المركبة بطريقة جديدة، حيث يعتمد على إدخال الصورة المركبة فقط لإنتاج صناديق (boxes) مرخصة مع تسميات مخصصة لكل لوحة (panel-wise captions).

تتغلب هذه التقنية على تحديات سابقة، حيث تظهر الإحصاءات أن 16.3% من الصور المركبة في قواعد بيانات مثل PubMed Central (PMC) غائبة عن الشروحات ما يعني أنها تذهب سُدًى في عملية المعالجة. ولكن بفضل الوظائف الجديدة في FigEx2، أصبح التعرف على العناصر العلمية المميزة وتحسين المكان والتناسق بينها، أمراً واقعا.

كيف يعمل FigEx2؟ يقوم بإدخال إطار معين من طراز Kullback-Leibler (KL) لتحسين عمليات التحديد بحيث تتماشى الانتباهات المشتركة مع الكيانات العلمية المصنفة لكل لوحة، مما يوفر إشارة استقرار محسنة تدعم الدقة في التعرف.

علاوة على ذلك، يُعتمد أيضاً سياسة تحسين نسبية جماعية (GRPO)، لقياس اعتماد النموذج على الإخلاص العلمي لتحقيق نتائج دقيقة. لكن المثير هو أن FigEx2 يتجاوز التحديات التقليدية، حيث سجل بالفعل علامة على BioSci-Fig-Cap تضمن له الصدارة، محققاً نتيجة 0.751 mAP@0.5:0.95.

وفي إطار التقييم المتخصص، أظهر هذا النموذج تفوقا بواقع 6.80 Entity-F1 على النموذج البديل Qwen3-VL-8B، مما يعكس كفاءته العالية في التعامل مع البيانات. بالإضافة إلى ذلك، فإن قدرته على الانتقال إلى نطاقات خارجية من دون أي تدريب سابق، يفتح آفاق جديدة لمزيد من التطبيقات.

إذا كنت مهتماً بالتفاصيل الفنية، يمكنك الاطلاع على الشيفرة المصدرية المتاحة على GitHub [https://github.com/Huang-AI4Medicine-Lab/FigEx2].

أي من تقنيات معالجة الصور تجدها الأكثر إثارة؟ شاركنا آرائك في التعليقات!