في عالم الذكاء الاصطناعي، يعتبر تناسق نماذج الفيديو مع تفضيلات البشر من الأمور الأساسية لإنتاج مقاطع فيديو عالية الجودة. وفي هذا السياق، ظهرت طريقة جديدة تحت اسم LocalDPO (تحسين التفضيلات المحلية المباشرة) التي تقدم بديلاً مبتكرًا لطرق التحسين التقليدية.

تستخدم الأساليب الحالية، المعروفة باسم تحسين التفضيلات المباشرة (Direct Preference Optimization أو DPO)، نماذج تقييم متعددة العيّنات، مما يؤدي إلى كفاءة ضعيفة وغالبًا ما ينتج عنها توجيهات غامضة. لكن مع LocalDPO، تم تصميم إطار جديد يعتمد على تصنيف تفضيلات محلية يستند إلى بيانات فيديو حقيقية، مما يسهل عملية العملية في المستوى الزمني-المكاني.

تعمل LocalDPO من خلال جمع بيانات تفضيل بشكل آلي، وبذلك تولد أزواجًا من التفضيلات عبر استنتاج واحد لكل طلب. يتم اعتبار مقاطع الفيديو عالية الجودة عينات إيجابية، بينما تُولِّد عينات سلبية عن طريق التلاعب المحلي بها باستخدام أقنعة زمنية-مكانية عشوائية، مع استعادة فقط المناطق المعدلة باستخدام نموذج أساسي مُجمد.

أثناء التدريب، يتم تقديم خسارة DPO تعتمد على الوعي الإقليمي، تركز على تعلم التفضيلات فقط في المناطق المتضررة، مما يسرع من عملية التقارب. وقد أظهرت التجارب على نماذج Wan2.1 وCogVideoX أن LocalDPO يحسن بشكل ثابت جودة الفيديو، وتماسكه الزمني، ونقاط تفضيلات المستخدمين بالمقارنة مع أساليب ما بعد التدريب الأخرى، مما يثبت فعاليته.

للراغبين في استكشاف هذا الابتكار، يمكنهم الوصول إلى الشيفرة المصدرية على GitHub. ماذا تنتظرون لتغمروا في عالم تحسين الفيديوهات بالذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات!