في عالم الذكاء الاصطناعي، تتصاعد الابتكارات بشكل متسارع، ويعتبر تطوير طرق جديدة وأفضل لفحص السدود الترابية مثالًا رائعًا على ذلك. طفح الرمال هو إحدى العيوب الحرجة التي تهدد سلامة هذه البنى التحتية الحيوية، ورغم أهميتها، إلا أن الكشف عنها بدقة يعد تحديًا كبيرًا بسبب ندرة التوصيفات. لهذا السبب، تم تقديم pipeline للتوليف القائم على الانتشار (Diffusion)، والذي يساعد في إنتاج صور افتراضية لفحص الطفح الرملي باستخدام مجموعة صغيرة من الصور المرجعية.

يعتمد هذا النظام على تقنيات متطورة مثل Stable Diffusion XL، التي تم ضبطها بشكل خاص بواسطة DreamBooth، إضافةً إلى استخدام بنية متعددة الفروع من ControlNet. يقوم هذا النظام بإنشاء صور فحص صناعية تعكس الواقع بدقة عالية، حيث يتم استخدام بروتوكول تعبئة القناع الناعم للحفاظ على دقة عيوب الطفح الرملي مع إعادة صياغة المشهد المحيط لتفادي الفواصل وانزياحات الألوان.

تتيح أيضاً ControlNet المشروطة بالقناع إنتاج طفح رملي جديد داخل قناع محدد، مما يجعل القناع بمثابة تسمية التقسيم بحد ذاته. ومع ذلك، تبقى مشكلة اعتماد التسميات على نطاق واسع غير محسومة مع البوابة الحقيقية المتاحة، لذا تم إصدار مجموعة إعداد القناع الناعم كإعداد افتراضي.

زيادةً على هذا، يتم توفير شروط نصية عبر Atlas Prompt المدفوع بالتقسيم، والذي يوسع متطلبات التخصص إلى بنك من العبارات المعتمدة من CLIP، مما يتيح الانتقال إلى فئات عيوب جديدة دون الحاجة لتغييرات برمجية.

عبر الصور التدريبية الحقيقية، ينتج النظام 1,020 مرشحًا اصطناعيًا، من بينها 815 تمر عبر فلتر استحقاق CLIP. تم تقييم جودة الصور باستخدام مقاييس التوزيع والموثوقية، مع الانتباه لحالات الانزلاق وعدم المراقبة. لم يتفوق أي إعداد واحد على الآخرين؛ إذ يقدم كل منها توازنًا مختلفًا بين الموثوقية والتنوع والاعتمادية. لذلك، تم إصدار الإعداد الموثوق كالإعداد الافتراضي، مع اعتبار مزيج محدد كمجموعة تعزيز طبيعية. تدور المطالبات حول جودة الصورة، وأصل التسمية، والتنوع؛ بينما تُركت لاحقًا أعمال التقسيم إلى الأبحاث المستقبلية.

تم إصدار الكود وقائمة العناصر لتعزيز إمكانية إعادة الإنتاج، مما يسهل على الباحثين ومن المختصين الاستفادة من هذه الابتكارات في مجالات عملهم المختلفة.