كيف تميّز أنواع الذكاء الاصطناعي بين أساليب المانغا؟

لدي قاعدة بسيطة أستخدمها لأشرح كيف تفرّق النماذج الأساليب: أولاً تلتقط الطبقات السفلى السمات الفيزيائية (حواف، سماكة الحبر، أنماط النِقَش)، ثم الطبقات العليا تلتقط البنية الفنية (تكوين الإطارات، كيفية رسم العيون، إيقاع التظليل). تقنيات مختلفة تؤدي أدوارًا متباينة: شبكات الالتفاف جيدة لاستخراج الحواف، GANs وdiffusion متميزون في إعادة التوليد الإبداعي، وطرق الـstyle transfer تُمكّن من نقل الإحساس البصري من مرجع إلى عمل آخر.

أحب التفرقة بين عملين كلاسيكيين مثل 'Berserk'—حيث التركيز على تفصيل الحبر والتباين العالي—و'One Piece'—حيث الأشكال المبالَغ فيها والخطوط البسيطة؛ فالموديلات تميز ذلك عبر مجموعات سمات مختلفة وتُقيّمها بخسائر متخصصة ومجالات تمثيل مُختلفة. في نهاية اليوم الأمر يعتمد على كمية وتنوّع بيانات التدريب وكيفية توجيه النموذج (نصوص وصفية، أمثلة مرجعية، أو قيود هندسية)، وما يجعل الناتج مقنعًا حقًا هو التوليف بين الذكاء الحسابي واللمسة البشرية.

أتذكر طريقة مدهشة رأيت بها نموذج يميّز بين خطوط 'Akira' و'One Piece'—كان الأمر أشبه بفك شفرة مرئية. أشرحها هنا من منظوري الفني والتقني معًا: في المستويات الدنيا، تستخدم النماذج مثل الشبكات الالتفافية (CNN) مستشعرات لالتقاط الحواف، سماكة الحبر، ونمط التظليل (مثل هاش-هاتشينج أو نقاط الـ'screentone'). هذه الميزات البسيطة تكوّن أول خريطة للـ'ستايل'.

بعد ذلك تأتي طبقات أعمق تتعلم العلاقات المجازية: كيف تُوزَّع الظلال عبر الوجوه، وهل الخطوط ناعمة أم خشنة، وهل هناك مبالغة في تعابير الوجه أو الحركات الديناميكية. موديلات التوليد مثل GAN أو نماذج الانتشار (diffusion) تميّز هذه السمات عبر ضياع الصورة وإعادتها مع قيود 'خسارة' خاصة بالأسلوب (style loss) وخسارة محتوى (content loss). هناك تقنيات مثل Gram matrix أو AdaIN تستخدم لالتقاط النسيج العام للخطوط والتظليل.

على مستوى آخر، تُستخدم نماذج متعددة الوسائط مثل CLIP لربط نصوص وصفية ('خطوط رشيقة ومجردة' أو 'تفاصيل دقيقة وحبر خشن') بالتمثيلات البصرية، ما يسمح بالتمييز استنادًا إلى أوصاف إنسانية. أما لو كنت أتحدث عن عملية عملية: فالمدخلات تمر بمرحلة تنظيف (تحويل إلى خطوط، إزالة الضجيج، فصل الألوان)، تليها تجزئة اللوحة (اكتشاف الإطارات، الفقاعات النصية) ثم تصنيف أو تحويل الأسلوب.

أحب كيف تتعامل هذه الأنظمة مع تفاصيل تبدو صغيرة ولكنها معبرة: مثلاً أنماط الـ'screentone' يعالجها بعض النماذج بشكل برمجي (توليد أنماط نقطية محسوبة)، بينما أخرى تتعلمها كقوام مرئي. وفي النهاية، التقييم غالبًا يعتمد على عين الإنسان لأن مؤشرات مثل FID لا تلتقط الإيقاع القصصي أو حس nostalgia الذي يعطي أسلوبًا طابعه مميز. هذه التفاصيل الصغيرة هي ما يجعل كل نموذج يقرأ المانغا كقصة مختلفة، وهذا ما يثير حماسي دائمًا.

عندما أجرب نماذج مختلفة ألاحظ فوراً تغيّر طريقة تعاملها مع الحبر والستروكات. للتبسيط، أفرّق بين ثلاث مجموعات: نماذج تمييز/تصنيف (discriminative)، ونماذج تحويل الأسلوب (style transfer)، ونماذج التوليد الشرطية (conditional generative).

نماذج التصنيف تعتمد على ميزات ثابتة—حواف، كثافة الحبر، توزيع النقاط—وتُعلّم بواسطة بيانات مُعلّمة، فتقول مثلاً إن صفحة ما أقرب إلى نمط 'Slam Dunk' من 'Vagabond'. أما نماذج تحويل الأسلوب فهي تعمل عبر مقارنة التمثيلات: تستخدم خسارة نمطية (مثل Gram) أو صياغات حديثة (مثل AdaIN) لتطبيق نبرة فنية من مرجع إلى هدف بدون تغيير المحتوى. هذا مفيد لو أردت تحويل رسمة واقعية إلى مظهر مانغاوي.

نماذج التوليد الشرطية أعقد لأنها تحتاج لأن تفهم تركيب الكادر: أين الفقاعة النصية؟ كيف تتوزع الحركات؟ هنا تُستخدم شبكات مثل U-Net أو attention-based transformers مع مدخلات نصية أو مرجعية لالتقاط سيولة الأسلوب. وأخيرًا، لا أستطيع تجاهل التفاصيل العملية: التعامل مع النص الياباني/الترجمة يتطلب دمج OCR وتوليد خطوط مناسبة، وإلا سيضيع الإحساس الأصلي. كل نموذج له نقاط قوة وضعف، وأنا أميل لاستخدام خليط منهم حسب الحاجة: تصنيف أولي لتحديد النبرة، ثم تحويل أو توليد مع تعديلات يدوية لأجل الروح الحقيقية للصفحة.