تحرير نصوص المشاهد في الفيديو ما زال يتعثر: كيف يكشف ViTeX-Bench عن المقايضات الصعبة

تخيل مقطع فيديو مدته خمس ثوانٍ لشخص يحمل صندوقاً كرتونياً في ممر. والآن، حاول تغيير الملصق المطبوع على ذلك الصندوق من "FRAGILE" إلى "STORAGE".

قد يبدو هذا طلباً بسيطاً؛ فتوليد الفيديو بات أكثر واقعية وقابلية للتحكم يوماً بعد يوم. ومع ذلك، فإن استبدال سبعة أحرف على سطح متحرك مع الحفاظ على سلامة بقية الفيديو يجمع بين عدة مشكلات لا تزال أدوات التحرير الحالية تكافح لحلها جميعاً في آنٍ واحد.

قد ينتج أحد المحررات مقطعاً متقناً لكن بحروف خاطئة، بينما قد يتهجى محرر آخر النص البديل بصورة صحيحة في الإطارات المنفردة، لكن مع اضطراب وتذبذب أشكال الحروف (glyphs) أثناء تشغيل الفيديو. وقد ينجح محرر ثالث في الحفاظ على المشهد وحركته، ولكنه يترك النص الأصلي في مكانه دون تغيير.

هذا التعثر في تحرير نصوص المشاهد في الفيديو هو محور دراسة ViTeX-Bench، وهي ورقة بحثية نُشرت على موقع arXiv في 30 سبتمبر 2026، من إعداد Xinghao Chen وXiangbo Gao وJiongze Yu وYuheng Wu وZhengzhong Tu من جامعة Texas A&M University. بنى المؤلفون مجموعة بيانات معيارية تضم 387 مقطع فيديو، وصمموا بروتوكول تقييم يستند إلى 13 مقياساً يرتكز على تقنية التعرف الضوئي على الحروف (OCR)، وقيموا ثمانية أنظمة أساسية (baselines)، كما قدموا محرراً مرجعياً مفتوح المصدر يُدعى ViTeX-Edit-14B.

ولكل من يعمل في مجالات الذكاء الاصطناعي للمستندات (document AI)، أو فهم الفيديو، أو التحرير البصري، تقدم هذه الورقة نظرة متأنية وواقعية إلى الفجوة القائمة بين توليد فيديو مقنع بصرياً وإجراء تعديل دقيق وموضعي.

المعضلة الثلاثية: لماذا يبدو استبدال النصوص في الفيديو خادعاً في صعوبته

لفهم طبيعة هذه المهمة، تأمل المتطلبات الثلاثة التي يجب أن يستوفيها كل تعديل لنص في الفيديو في وقت واحد:

1. الصحة على مستوى الحروف (Character-level correctness): يجب على النموذج توليد التسلسل المستهدف المطلوب بدقة؛ إذ إن إسقاط الحروف، أو استبدالها، أو ظهور خربشات تبدو مقنعة للوهلة الأولى، كفيل بإفشال التعديل برُمّته.
2. الاتساق الزمني (Temporal consistency): يجب أن يظل النص ملتصقاً بالسطح الأساسي. فإذا تحركت الكاميرا أفقياً أو مال المجسم، يتعين على النص البديل مواكبة حركة المشهد ومنظوره الهندسي مع الحفاظ على مظهر متماسك.
3. موضعية التعديل (Edit locality): يجب أن يظل الفيديو المحيط بالنص دون أي تغيير؛ حيث ينبغي أن تحافظ هندسة الخلفية والإضاءة والعناصر المتحركة على سلامتها دون أن تتأثر باستبدال النص.

في تحرير الصور الثابتة، تستطيع أنظمة مثل FLUX-Text توليد حروف دقيقة في الإطارات المنفردة، لكن الفيديو يضيف بُعد الزمن. فالتحرير المستقل للإطارات يفتقر إلى الترابط الزمني الصريح، بينما يؤدي نقل التعديل من الإطار الأول وتمريره عبر الإطارات اللاحقة إلى بهتان النص أو انحرافه تدريجياً. أما المحررات المصممة خصيصاً للفيديو (Video-native editors) فهي تنمذج الحركة بالفعل، لكن ذلك لا يضمن التحكم في توليد تسلسل الحروف المطلوب بدقة.

تعالج الموارد الحالية أجزاءً من هذه المشكلة؛ حيث تقيس المعايير العامة لتحرير الفيديو مدى اتباع التعليمات، والجودة البصرية، والاتساق الزمني، ومدى الحفاظ على المشهد. كما توجد أعمال سابقة في استبدال النصوص في الفيديو، من بينها STRIVE. وتتمثل مساهمة ViTeX-Bench في تقديم توليفة مخصصة تجمع بين بيانات تدريب مقترنة (paired training data) وبروتوكول تقييم ثابت (frozen evaluation protocol) يفحص النص المطلوب عبر الزمن، جنباً إلى جنب مع قياس الجودة الزمنية والحفاظ على بيئة المشهد.

معرض الإخفاقات: كيف تتعثر محررات اليوم

قيم المؤلفون ثمانية أنظمة أساسية تنتمي إلى أربع عائلات تحرير، وذلك عبر مجموعة اختبار ثابتة تضم 157 مقطعاً واقعياً بدقة 720p، يحتوي كل منها على 120 إطاراً بمعدل 24 إطاراً في الثانية. وتكشف نتائجهم والأمثلة المختارة عن أربعة أنماط متكررة من الفشل.

1. مستقر ولكنه لم يتغير (Wan2.1-VACE-14B)

يُعد Wan2.1-VACE-14B محرراً للفيديو مشروطاً بأقنعة التحديد (mask-conditioned). وفي مثال الورقة البحثية "تغيير NEW إلى OLD"، يعيد النموذج منطقة نصية تظل في جوهرها كما ظهرت تماماً في المقطع المصدر.

وعلى امتداد التقييم، حقق النموذج دقة تسلسلية (SeqAcc) بلغت 0.000 ودقة على مستوى الحروف (CharAcc) بلغت 0.298. ومع ذلك، بلغت نسبة الاستقرار الزمني للنص (TTS) لديه 0.689. ولتوضيح السياق، سجل المقطع المصدر غير المعدل 0.317 CharAcc مقارنة بسلاسل النصوص البديلة المطلوبة، مما يُظهر أن التشابه الجزئي في الحروف قد يحدث حتى دون إجراء أي تعديل ناجح.

لا تحدد الورقة السبب الكامن وراء احتفاظ النموذج بالنص المصدر، لكنها تثبت الإخفاق العملي: فالنص المستقر المفكك شفرته ومعدل الخطأ الزمني المنخفض لا يدلان إطلاقاً على حدوث الاستبدال المطلوب.

2. صحيح على مستوى الإطار، وفوضوي زمنياً (FLUX-Text)

ما الذي يحدث إذا أخذت محرر نصوص مشاهد الصور الثابتة مثل FLUX-Text وقمت بتشغيله على كل إطار على حدة؟

تتحسن صحة النص بدرجة ملحوظة مقارنة بالعديد من النماذج الأساسية القائمة على الفيديو؛ إذ يتصدر FLUX-Text المحررات الخام الخاضعة للتقييم في متوسط صحة النص، مسجلاً 0.528 SeqAcc و0.737 CharAcc. غير أن إطاراته المولدة بصورة مستقلة تعاني من عدم استقرار زمني جسيم.

وفي مقياس التشويه أو الانحراف لاقتطاع النص (Warp_c)، الذي يقيس خطأ البكسل المعوَّض عن الحركة باستخدام التدفق البصري (optical flow) للفيديو المصدر، سجل FLUX-Text قيمة 13.01، مقارنة بـ 1.27 للفيديو المصدر غير المعدل. كما وصلت درجة الوميض أو الارتعاش لاقتطاع النص (Flicker_c) إلى 14.81، أي ما يقارب أربعة أضعاف قيمة المصدر البالغة 3.68.

ويجسد المثال المختار في الورقة جوهر المشكلة: قد تكون الحروف مقروءة بوضوح في الإطارات الفردية، لكن مظهرها يتغير على نحو غير متسق ومضطرب بين الإطارات المتجاورة.

3. مظهر متقن ومحتوى غير صحيح (Kling Video 3.0 Omni)

يمثل Kling Video 3.0 Omni عائلة تحويل الفيديو إلى فيديو الموجه بالتعليمات (instruction-guided video-to-video). وقد اختبره المؤلفون عبر واجهة الويب العامة الخاصة به باستخدام مقاطع الفيديو المصدرية وقالب تعليمات تحرير ثابت.

حقق Kling أعلى متوسط لدرجات مقياس MUSIQ بين جميع المحررات الخاضعة للتقييم، بما في ذلك درجة الإطار الكامل البالغة 72.23، متفوقاً حتى على الفيديو المصدر الذي سجل 70.33. غير أن مقاييس النص تروي قصة مختلفة تماماً: فقد بلغت SeqAcc نسبة 0.000 وسجلت CharAcc نسبة 0.208. وفي المثال المختار لتحويل "SOC" إلى "COC"، تبدو النتيجة مقنعة بصرياً لكنها تفشل في توليد السلسلة النصية المطلوبة بشكل صحيح.

تتعلق هذه النتائج بالتهيئة المختبرة ومجموعة التقييم المحددة؛ وضمن هذا النطاق، تُبرز النتائج فارقاً جوهرياً: فالالدرجة العالية في الجودة الإدراكية البصرية لا تعني أبداً نجاح استبدال النص.

4. التحول التدريجي المنحرف (TextCtrl + AnyV2V)

يتمثل نهج آخر في تعديل الإطار الأول متبوعاً بالتمرير الزمني: حيث يُعدل الإطار الأول باستخدام TextCtrl، ثم يُستخدم AnyV2V المدعوم بالعمود الفقري I2VGen-XL لنقل التعديل وتمريره عبر الزمن.

يبدأ المثال المختار في الورقة بتعديل صحيح في الإطار الأول، لكن النص المولد والمشهد المحيط به يبدآن في الانحراف والتشوه مع تقدم المقطع. وعلى امتداد عملية التقييم، سجل هذا المزيج 0.057 SeqAcc و0.308 CharAcc.

وبلغت نسبة إشارة الذروة إلى الضوضاء للموضعية (PSNR-loc) لديه 21.08 dB، في حين وصل مقياس LPIPS للموضعية إلى 0.225، وهو أعلى متوسط لمسافة LPIPS — وبالتالي الأسوأ — بين المحررات الخام الخاضعة للتقييم. إن مجرد تمرير التعديل عبر الإطارات لا يضمن بمفرده استمرار صحة النص ولا الحفاظ على المشهد المحيط به.

بروتوكول ViTeX-Bench: 13 مقياساً على ثلاثة محاور

لتحويل أوجه القصور هذه إلى مقارنات قابلة للقياس، يوزع ViTeX-Bench 13 مقياساً على ثلاثة محاور متكاملة. ويحتوي كل محور على مقياس رئيسي واحد، ويقارن المؤلفون المفاضلات بينها عبر مجموعة باريتو (Pareto set) بدلاً من اللجوء إلى درجة إجمالية مرجحة.

+------------------------------------------------------------------------+
|                         ViTeX-Bench Evaluation                         |
+------------------------------------------------------------------------+
| Axis 1: Text Correctness      Primary: SeqAcc (Exact Substring Match)   |
| Does the text read correctly? Diagnostics: CharAcc, TTS                 |
+------------------------------------------------------------------------+
| Axis 2: Visual & Temporal     Primary: Warp_c (Motion-Compensated MAE)  |
| Is the video natural/stable?  Diagnostics: Warp_f, Flicker_f/c,         |
|                              MUSIQ_f/c                                |
+------------------------------------------------------------------------+
| Axis 3: Edit Locality         Primary: DreamSim-loc (Perceptual Dist.)  |
| Does the surrounding scene    Diagnostics: PSNR, SSIM, LPIPS            |
| stay unchanged?                                                       |
+------------------------------------------------------------------------+

المحور 1: صحة النص (محور التعرف الضوئي على الحروف - OCR)

يُشغّل المعيار نموذج PP-OCRv5 من مكتبة PaddleOCR على مناطق النصوص المقتطعة. ويتم توجيه كل فيديو إلى نموذج تعرّف مخصص للغات اللاتينية، أو الصينية، أو اليابانية، أو السيريلية وفقاً لكتل يونيكود (Unicode blocks) الخاصة بالنص المصدر. وتُستبعد مربعات الإحاطة المكتشفة التي تقل درجة الثقة بها عن 0.30، كما تخضع السلاسل النصية لتوحيد يونيكود القياسي (Unicode normalization)، ومطابقة حالة الأحرف (case folding)، وحذف المسافات البيضاء وعلامات الترقيم.

وللحد من عوامل التشويش عندما يكون النص المصدر محجوباً أو غير واضح، تُحسب درجة الصحة على الإطارات القابلة للاكتشاف في المصدر (source-detectable frames): وهي الإطارات التي يتطابق فيها التعرف الضوئي للمصدر مع السلسلة النصية المصدرية الموسومة بنسبة تشابه لا تقل عن 0.5. ومن بين 157 مقطعاً مخصصاً للتقييم، تضمن 152 مقطعاً مثل هذه الإطارات، بينما خلا خمسة مقاطع منها وفقاً لمعيار OCR هذا واستُبعدت من حساب متوسطات SeqAcc وCharAcc؛ ولا يعني ذلك بالضرورة أن نصوصها كانت غير مقروءة للعين البشرية.

يقارن المؤلفون السلاسل النصية باستخدام مسافة تعديل السلسلة الجزئية (substring edit distance) ($d_{\text{sub}}$). وعلى خلاف مسافة ليفنشتاين (Levenshtein distance) القياسية، لا تُحتسب تكلفة للبادئات واللاحقات غير المتطابقة في سلسلة OCR المرشحة؛ فإذا كان الهدف هو "BIG" وجاءت نتيجة التعرف الضوئي "ABIGA"، فإن الهدف يظهر بالكامل وتطابق تام داخل السلسلة المرشحة، مما ينتج مسافة تعديل قدرها 0.

• SeqAcc (المقياس الرئيسي، $\uparrow$): نسبة الإطارات القابلة للاكتشاف في المصدر التي يحتوي ناتج التعرف الضوئي القياسي لها على تطابق تام للسلسلة الجزئية المستهدفة.
• CharAcc ($\uparrow$): واحد مطروحاً منه مسافة تعديل السلسلة الجزئية مقسومة على طول السلسلة المستهدفة، مما يمنح وزناً جزئياً لحالات التطابق شبه التام.
• TTS (الاستقرار الزمني للنص، $\uparrow$): نسبة أزواج الإطارات المتجاورة القابلة للاكتشاف في المصدر التي تتطابق فيها السلاسل النصية الناتجة والمفككة شفرتها تماماً. وتُستبعد مقاطع الفيديو التي لا تحتوي على أي زوج مؤهل.

تُحسب المتوسطات المعروضة على مستوى الفيديو. ومن الضروري التنبيه إلى أن مقياس TTS يقيس استقرار السلسلة النصية المفككة شفرتها وليس صحتها؛ فالفيديو المصدر غير المعدل يسجل 0.760 TTS على الرغم من أنه لم يُجرِ التعديل المطلوب على الإطلاق. كما أن تسجيله درجة أقل من 1 يُظهر أن التعرف الضوئي على الحروف نفسه قد يكون غير مستقر عبر الإطارات المتعاقبة.

المحور 2: الجودة البصرية والزمنية (محور الحركة)

يتطلب تقييم الجودة الزمنية التمييز بين التغيرات الخام بين الإطارات والفروق المتبقية بعد أخذ حركة الفيديو المصدر في الحسبان.

لحساب مقياس التشويه Warp، يستخرج المعيار التدفق البصري باستخدام RAFT على الفيديو المصدر، ثم يستخدم ذلك التدفق لإجراء مطابقة رجعية (backward-warp) للإطار المعدل عند اللحظة $t+1$ باتجاه الإطار المعدل عند اللحظة $t$، ثم يقيس متوسط الخطأ المطلق (MAE) على بكسلات التدفق الصالحة.

• Warp_c (المقياس الرئيسي، $\downarrow$): قياس Warp داخل مربع إحاطة ثابت يحيط بمسار قناع النص بأكمله، وموسع بهامش 16 بكسل. وفي الدراسة البشرية التي أجراها المؤلفون، أظهر هذا المقياس ارتباط سبيرمان (Spearman correlation) أقوى مع التقييمات الزمنية للبشر ($\rho = -0.40$) مقارنة بمقياس Warp للإطار الكامل ($\rho = -0.20$)، مما يدعم اختياره مقياساً رئيسياً للبعد الزمني.
• Flicker_f / Flicker_c ($\downarrow$): الفروق الخام بين الإطارات المتجاورة دون تعويض الحركة.
• MUSIQ_f / MUSIQ_c ($\uparrow$): تقديرات الجودة الإدراكية البصرية للصورة دون مرجع (No-reference)، وتُقاس على الإطارات الكاملة أو على مناطق اقتطاع النص.

يستخدم مقياس MUSIQ للإطار الكامل جميع الإطارات، بينما يستخدم MUSIQ لاقتطاع النص الإطارات القابلة للاكتشاف في المصدر فقط. ويمكن لقيمتي Flicker وWarp أن تنخفضا في حالات التنعيم المفرط (smoothing) أو المخرجات شبه الثابتة؛ لذا يجب تفسير القيم المنخفضة جنباً إلى جنب مع صحة النص والجودة الإدراكية.

المحور 3: موضعية التعديل (محور الحفاظ على المشهد)

لقياس التغيرات خارج المنطقة القابلة للتحرير، يبني المعيار إطار مقارنة مخصصاً للموضعية فقط: حيث تظل البكسلات المتوقعة خارج القناع كما هي، بينما تحل بكسلات المصدر محل التوقع داخل القناع؛ ثم يُقارن ذلك الإطار بالفيديو المصدر.

• DreamSim-loc (المقياس الرئيسي، $\downarrow$): مسافة إدراكية متعلمة تُستخدم لتقييم الفروق المنسوبة إلى المشهد المحيط.
• PSNR-loc وSSIM-loc ($\uparrow$): مقاييس تشابه قائمة على البكسل.
• LPIPS-loc ($\downarrow$): مسافة إدراكية متعلمة مكملة للمقاييس القائمة على البكسل.

تقيّم هذه المقاييس مدى الحفاظ على المشهد من زوايا مختلفة، ولا يكفي أيٌّ منها بمفرده لإثبات نجاح تحرير النص.

كيف أنشأ المؤلفون 230 مقطع فيديو تدريبياً مقترناً

تتمثل إحدى العقبات الجوهرية في تحرير نصوص المشاهد في الفيديو في ندرة بيانات الفيديو الواقعية المقترنة (paired data)؛ إذ يصعب للغاية الحصول على تسجيلين متطابقين تماماً في كل شيء مع اختلاف النص المكتوب على السطح نفسه.

وقد تغلب المؤلفون على هذه العقبة عبر مسار عمل مدعوم بالنماذج مع وجود الإنسان في حلقة العمل (human-in-the-loop)، نتج عنه 230 مقطع فيديو تدريبياً مقترناً مستخرجاً من لقطات Panda-70M وInternVid.

1. توليد الأقنعة (Mask Generation): وضع المنسق البشري نقاطاً مفتاحية إيجابية وسلبية عبر واجهة ويب مخصصة لنموذج SAM 3، وتولى SAM 3 تمرير القناع عبر إطارات الفيديو، ثم عاينه المنسق وأضاف التصحيحات عند الحاجة. بعد ذلك، وُسِّع القناع (dilation) باستخدام نواة بيضاوية بحجم $25 \times 25$ بكسل على مدار ثلاث تكرارات.
2. صياغة النص المستهدف (Target Prompting): حلل نموذج Qwen3-VL-32B-Instruct اقتطاعاً من الإطار الأول واقترح سلسلة نصية مستهدفة بديلة بطول مماثل تقريباً وسياق مناسب للمشهد. وطُلب منه في موجه الأوامر تجنب المحتوى المسيء والسياسي والعلامات التجارية، ودقق المنسق البشري الخيارات المقترحة.
3. محو الخلفية (Background Erasing): قام Removal-1.3B — وهو نموذج Wan2.1-VACE-1.3B مضبوط بدقة وأُطلق مع مشروع PISCO — بتوليد فيديو خلفية نظيف من خلال إزالة النص والتأثيرات المرتبطة به مثل الظلال والانعكاسات الضوئية.
4. توليف الإطار الأول (First-Frame Synthesis): أعاد نموذج Gemini 3 Pro Image من Google (المعروف بـ "Nano Banana Pro") كتابة الإطار الأول، مع إعادة المحاولات والفحص اليدوي للتعديلات غير الناجحة. ثم استخرجت جولة ثانية من SAM 3 رقعة النص الجديدة ($p_1^{\text{new}}$).

بعد ذلك، استخدم المؤلفون مسارين لدمج تلك الرقعة في الفيديو المنظف:

• الاستراتيجية (أ) (التركيب بألفا - Alpha Composition): تُطبق عندما تظل منطقة النص ثابتة طوال المقطع. وقد وفرت هذه الاستراتيجية 56 زوجاً من أزواج التدريب النهائية.
• الاستراتيجية (ب) (الإدراج القائم على PISCO): استخدم نموذج الإدراج المضبوط بدقة PISCO-14B رقعة الإطار الأول كمرجع، مع الاستفادة من تقدير العمق عبر Depth Anything 3 لتوفير دلائل هندسية مسبقة، ووفرت هذه الاستراتيجية 174 زوجاً تدريبياً.

تُعد هذه الأعداد خيارات بناء وتصميم، وليست حصراً للفيديوهات الثابتة مقابل المتحركة؛ إذ اعتمدت الفيديوهات الديناميكية على الاستراتيجية (ب) حصراً، بينما عولجت الفيديوهات الثابتة بكلا الاستراتيجيتين واختيرت النتيجة الأعلى جودة.

والحصيلة هي ViTeX-Dataset: التي تضم 387 مقطعاً مصدرياً، منها 230 نموذجاً تدريبياً مقترناً و157 مدخلاً للتقييم الثابت دون مراجع معدلة مقترنة. وعلى امتداد جميع المقاطع البالغ عددها 387 مقطعاً، تتوزع طباعة النصوص بنسبة 23% تقريباً للنصوص المطبوعة، و44% لخط اليد، و33% للخطوط الفنية. وتتراوح أطوال السلاسل النصية المصدرية بين 1 و41 حرفاً، بينما تتراوح السلاسل المستهدفة بين 1 و36 حرفاً.

وتعتبر التعديلات المقترنة مراجع تدريبية خضعت للمراجعة، وليست مخرجات حتمية فريدة للحقيقة الأرضية (ground-truth)؛ فالتعليمات لا تحدد بشكل قاطع نوع الخط أو وزنه أو لونه أو تفاعله مع الإضاءة.

ViTeX-Edit-14B: تثبيت الحروف المتحركة عبر فيديوهات أشكال الحروف (Glyph Videos)

باستخدام مقاطع الفيديو التدريبية المقترنة البالغ عددها 230 مقطعاً، طوّع المؤلفون نموذج Wan2.1-VACE-14B ليصبح محرراً مرجعياً مفتوح المصدر باسم: ViTeX-Edit-14B.

وإلى جانب تضمينات النص المستهدف وتكييف الفيديو المصدر، يتلقى النموذج دليلاً بصرياً صريحاً يواكب حركة النص المصدر بدقة.

Source Video (V) + Dilated Mask (M) ---> Video Condition Unit (VCU)
                                                        |
Target String (stgt) ---> uMT5-XXL ----------------------+
                                                        |
Source Text Region ---> Font Selection + EasyOCR        |
                    ---> CoTracker3 Tracking             |
                              |                         |
Target String ---> Render + Tracked Homography Warp     |
                    ---> Glyph Video (Gvid)              |
                    ---> Wan VAE Latents                 |
                    ---> 64 Pooled Glyph Tokens --------+
                                                        |
                                             Wan2.1-VACE-14B
                                                        |
                                                  Edited Video

مسار عمل فيديو أشكال الحروف (The Glyph-Video Pipeline)

1. مطابقة الخط (Font Matching): يفحص نموذج Qwen3-VL منطقة النص المصدر في الإطار الأول ويختار خطاً من مكتبة خطوط لاتينية منتقاة بعناية، بينما تستخدم النصوص غير اللاتينية خطوطاً افتراضية مخصصة لكل لغة.
2. تتبع المسار (Trajectory Tracking): يكتشف EasyOCR الشكل الرباعي المحيط بالنص المصدر في الإطار الأول، ويتولى CoTracker3 تتبعه عبر الإطارات الـ 119 المتبقية.
3. التصيير الاصطناعي (Synthetic Rendering): تُصيّر السلسلة المستهدفة باللون الأبيض على خلفية سوداء بضعف دقة مربع الإحاطة المكتشف، وتقوم مصفوفات التحويل التجانسي (homographies) لكل إطار بتشويهه وفقاً للشكل الرباعي المتتبع، مما يوفر موضعاً وحجماً ومنظوراً متطابقين مع المصدر.
4. حقن شروط التوجيه (Conditioning Injection): يشفر نموذج Wan VAE مجمد فيديو أشكال الحروف ($G_{\text{vid}}$). وينتج عن تضمين الرقع (Patch embedding) والتجميع بالانتباه المتقاطع (cross-attention pooling) باستخدام 64 استعلاماً قابلاً للتعلم حزمة ثابتة الطول من رموز أشكال الحروف ($E_G$).
5. الربط المعماري (Architectural Hook): تحقن طبقات الانتباه المتقاطع المضافة تلك الرموز داخل ثماني كتل VACE في طبقات الجذع الأساسية (trunk layers) ذات الأرقام 0 و5 و10 و15 و20 و25 و30 و35. وتحافظ إسقاطات المخرجات المتبقية المهيأة بأصفار (Zero-initialized residual projections) على مخرجات العمود الفقري للنموذج عند التهيئة الأولية دون تغيير.

أثناء التدريب، يُجمد الجذع الرئيسي لنموذج DiT ومشفر النصوص ونموذج VAE، بينما يجري تحديث فرع VACE ووحدات التكييف الجديدة. ويتم الضبط الدقيق الخاضع للإشراف باستخدام Flow-Matching على مرحلتين: خمس حقب تدريبية (epochs) بدقة $720\text{p} \times 49$ إطاراً، تليها حقبتان بدقة $720\text{p} \times 121$ إطاراً. وبلغت التكلفة المعلنة 576 ساعة عمل لوحدات معالجة الرسومات عبر ثماني وحدات H100 بسعة 80GB.

نتائج التقييم المعياري

يجمع ViTeX-Edit-14B بين أعلى متوسط لمقياس CharAcc بين المحررات المصممة خصيصاً للفيديو الخاضعة للتقييم، وأدنى قيمة تشويه قابلة للمقارنة لاقتطاع النص (Warp) بين مخرجات المحررات الخام:

• CharAcc: 0.688، مقارنة بـ 0.619 لـ VideoPainter، و0.298 لـ Wan2.1-VACE-14B، و0.208 لـ Kling.
• SeqAcc: 0.341، وهو أقل من 0.364 لـ VideoPainter بين محررات الفيديو المتخصصة؛ كما حققت عدة محررات صور تعمل على كل إطار درجات أعلى.
• Warp_c: 1.53، مقارنة بـ 13.01 لـ FLUX-Text، و2.90 لـ Kling، و1.27 للفيديو المصدر غير المعدل.

تتداخل فترات الثقة لدقة كل من ViTeX-Edit-14B وVideoPainter؛ وبالتالي فإن هذه الفروق تمثل اختلافات في المتوسطات المرصودة وليست دلالة إحصائية مؤكدة بين الأزواج. كما استُبعدت الدرجات الزمنية لـ VideoPainter من الترتيب لأن مواءمته تعتمد على المزج الخطي للإطارات (linear frame blending)، وهو ما يغير الفروق المتبقية المقاسة.

وبناءً على ذلك، يوفر المحرر المرجعي نقطة تشغيل عملية مفيدة، بدلاً من التفوق الكاسح على كافة جوانب المعيار.

ضابط التركيب (Composite): لا تعيد اختراع بكسلات الخلفية

تأتي إحدى الرؤى العملية من أداة Composite، وهي غلاف معالجة لاحقة حتمي ولا يتطلب تدريباً، طُبق على جميع المحررات.

فبينما تعيد بعض الطرق بناء الإطارات بأكملها، فإن المحررات الموضعية المعتمدة على مربعات الإحاطة تقوم بالفعل بنسخ معظم البكسلات الخارجية مباشرة من المصدر. ويساعد Composite في الفصل بين توليف النص واستعادة الخلفية عبر ثلاث خطوات:

1. بناء شريط محيط عن طريق توسيع القناع باستخدام عنصر هيكلي بحجم $41 \times 41$ وطرح القناع الأصلي منه.
2. استخدام إحصاءات المصدر والتوقع داخل ذلك الشريط لتطبيق نقل الألوان بحسب طريقة راينهارد (Reinhard mean–variance color transfer) في فضاء الألوان CIELAB.
3. دمج التوقع المصحح مع المصدر باستخدام حافة مدمجة ومنعمة (feathered boundary) بعرض 4 بكسل مشتقة من تحويلات المسافة.

تشير الورقة إلى أن معالجة مقاطع فيديو التقييم البالغ عددها 157 مقطعاً استغرقت نحو خمس دقائق باستخدام ثمانية عمال معالجة مركزية (CPU workers). وبالنسبة لـ ViTeX-Edit-14B، رفع Composite قيمة PSNR-loc من 29.08 إلى 42.95 dB وخفض DreamSim-loc من 0.024 إلى 0.002، في حين طرأ تغير طفيف على SeqAcc من 0.341 إلى 0.345.

وعلى امتداد الأنظمة الأساسية الثمانية جميعها، رفع Composite مقياس PSNR للموضعية إلى قرابة 43 dB. ويأتي الجزء الأكبر من هذا التحسن من استعادة بكسلات المصدر الأصلية، ولا يعد دليلاً على أن كل محرر أساسي قد تعلم كيفية الحفاظ على الخلفية بشكل أفضل.

Method	Family	SeqAcc ($\uparrow$)	CharAcc ($\uparrow$)	TTS ($\uparrow$)	Warp_c ($\downarrow$)	MUSIQ_f ($\uparrow$)	PSNR-loc ($\uparrow$)	DreamSim-loc ($\downarrow$)
Source Video	—	0.000	0.317	0.760	1.27	70.33	$\infty$	0.000
FLUX-Text	Image	0.528	0.737	0.326	13.01	70.26	31.49	0.012
TextCtrl	Image	0.475	0.734	0.511	2.09	70.32	41.14	0.004
RS-STE	Image	0.354	0.626	0.534	1.81	69.57	37.00	0.007
AnyText2	Image	0.280	0.633	0.382	3.95	66.68	25.56	0.043
TextCtrl + AnyV2V	Prop.	0.057	0.308	0.257	3.97	69.41	21.08	0.073
Wan2.1-VACE-14B	Video	0.000	0.298	0.689	1.56	70.54	35.21	0.007
VideoPainter	Video	0.364	0.619	0.606	3.35†	67.16	28.56	0.024
Kling Video 3.0 Omni	Video	0.000	0.208	0.641	2.90	72.23	21.18	0.061
ViTeX-Edit-14B	Video	0.341	0.688	0.648	1.53	69.64	29.08	0.024
ViTeX-Edit-14B (Composite)	Post	0.345	0.689	0.666	1.56	70.27	42.95	0.002

يُعد الفيديو المصدر مرجعاً خارج التصنيف، وتعتبر أداة Composite وسيلة ضبط معالجة لاحقة مُعلن عنها بشكل منفصل. † استُبعدت القيم الزمنية لـ VideoPainter من الترتيب لأن مواءمته من 8 إلى 24 إطاراً في الثانية تستخدم الاستيفاء بالمزج الخطي (linear blend interpolation). جرى فحص صحة Composite للأنظمة الأساسية على عينة فقط، بينما أُعيد تقييم زوج ViTeX-Edit-14B مع Composite بالكامل.

لماذا يهمنا هذا الأمر: استنتاجات واقعية للذكاء الاصطناعي للمستندات والتعرف الضوئي على الحروف

للفرق المهتمة بالتحرير البصري الدقيق للنصوص، يقدم ViTeX-Bench أربعة دروس عملية، مع مراعاة أن يظل نطاق تطبيقها مرتبطاً بما يختبره المعيار بالفعل.

1. في مسارات التوليد، يمكن لـ OCR المساعدة في تقييم النتيجة

يستخدم ViTeX-Bench تقنية التعرف الضوئي على الحروف كأداة لتقييم النصوص المولدة؛ إذ تجتمع درجات MUSIQ العالية لنموذج Kling مع نسبة SeqAcc صفرية، مما يوضح لماذا لا يمكن للجودة البصرية العامة أن تحل محل التحقق من الحروف المطلوبة.

ومع ذلك، فإن التعرف الضوئي ليس حكماً معصوماً عن الخطأ؛ ففي الإطارات القابلة للاكتشاف في المصدر، حقق نموذج التعرف دقة تطابق تام بلغت 0.851 و0.966 CharAcc مقارنة بالنص المصدر الأصلي. وقد اتفقت دراسة نسخ بشري أُجريت دون معرفة الطريقة بقوة مع ترتيب CharAcc لمستوى الطرق بالتعرف الضوئي (ارتباط سبيرمان $\rho = 0.95$)، غير أن الدرجات المطلقة كانت متفاوتة. وتزداد هذه المهمة تعقيداً في نصوص اللغة العربية؛ حيث تفرض الطبيعة المتصلة للخط من اليمين إلى اليسار، وتغير أشكال الحروف وفق سياقها، وعلامات التشكيل، والتراكيب الحرفية (ligatures)، تحديات جسيمة تجعل التعرف الضوئي عليها والتحقق منها أكثر صعوبة.

ويتمثل الدرس العملي هنا في الجمع بين فحص الحروف ومعايرتها والمراجعة البشرية؛ فالورقة البحثية تؤيد التقييم المرتكز على OCR، دون أن تجعله بديلاً عن سائر أشكال التقييم الأخرى.

2. أهمية التقييم متعدد المقاييس

ينتمي Wan2.1-VACE-14B إلى مجموعة باريتو للمخرجات الخام في هذا المعيار إلى جانب FLUX-Text وTextCtrl وRS-STE وViTeX-Edit-14B — حتى مع تحقيقه SeqAcc بقيمة 0.

ويرجع ذلك إلى عدم وجود أي منافس مدرج يضاهي أو يتفوق على متوسطات درجاته الرئيسية الثلاث مع تحسين واحدة منها على الأقل بشكل مؤكد. إن الانتماء لمجموعة باريتو يصف مقايضة حتمية، ولا يُعد شهادة على نجاح التعديل.

فإذا كان التقييم يكافئ الحفاظ على المشهد والاستقرار الزمني دون التحقق من النص المستهدف، فإن المخرجات التي لم يطرأ عليها أي تغيير ستبدو منافسة وقوية. لذا يتعين تفسير صحة النص والجودة الزمنية والموضعية مجتمعة.

3. الفصل بين توليف النص واستعادة الخلفية

تُظهر تجربة أداة التركيب (Composite) فائدة ملموسة في موضعية التعديل ناتجة عن استعادة بكسلات المصدر المحيطة بالمنطقة المولدة، مما يمنح المطورين وسيلة ضبط ملموسة للتمييز بين جودة التوليف وتبعات إعادة بناء الإطار بأكمله.

ولا يثبت ذلك أن التدريب الشامل من البداية إلى النهاية (end-to-end) غير فعال، أو أن أسلوب التركيب مفضل دائماً؛ فنقل الألوان والتنعيم والترميز قد تؤثر على قابلية القراءة، كما لم تُسجل الدرجات الكاملة للنص والجودة الزمنية لاقتطاع النص بعد تطبيق Composite لجميع النماذج الأساسية.

أما بالنسبة للتعديلات الموضعية، فإن الاستنتاج المدعوم هنا أكثر دقة وفائدة: قيّم ما تسهم به استعادة بكسلات المصدر قبل أن تنسب مكاسب الحفاظ على المشهد إلى النموذج نفسه.

4. تحرير النصوص يتطلب تقييماً عبر الزمن

لا يمكن للقطة شاشة صحيحة أن تثبت نجاح تعديل الفيديو؛ إذ تُظهر نتائج FLUX-Text كيف يمكن لدقة النص العالية على مستوى الإطار أن تترافق مع فروق زمنية متبقية هائلة، بينما يُظهر نموذج التمرير الزمني كيف يمكن لتعديل صحيح في البداية أن ينحرف ويتشوه تدريجياً.

وهذا ما يجعل التقييم على مستوى الفيديو أمراً لا غنى عنه للمهمة قيد الدراسة. كما يطرح هذا تساؤلات حول مسارات عمل التعرف الضوئي ذات الصلة، مع التأكيد على أن ViTeX-Bench هو معيار تحرير — وليس اختباراً مباشراً لاستخراج بيانات المستندات، أو المسح الضوئي عبر الهاتف المحمول، أو أنظمة التعرف المستخدمة فعلياً في بيئات العمل.

وتتركز أدلته حول ما إذا كان الاستبدال المطلوب يظل صحيحاً ومتماسكاً بصرياً مع الحفاظ على المشهد الأصلي.

حدود وقيود صريحة: ما الذي لا يزال بحاجة إلى عمل

على الرغم من أن ViTeX-Bench يوفر إطاراً قابلاً لإعادة الإنتاج، فإن المؤلفين صريحون بشأن حدوده:

• انحياز كبير للخط اللاتيني (Heavy Latin-Script Bias): من بين 157 مقطعاً مخصصاً للتقييم، يعتمد 150 مقطعاً على الخط اللاتيني، بينما تتوزع المقاطع السبعة المتبقية على أربعة مقاطع باللغة الصينية، ومقطع واحد باليابانية، ومقطعين بالسيريلية. ويتصدر AnyText2 هذه الشريحة المحدودة المجمعة مسجلاً 0.295 CharAcc؛ بينما سجلت المحررات الخام الثمانية الأخرى، بما فيها ViTeX-Edit-14B، درجات أقل من 0.19. ويعد هذا تشخيصاً محدوداً لا يكفي لاستخلاص استنتاجات عامة لكل نظام كتابة.
• الهندسة والحركة المعقدة (Difficult Geometry and Motion): حظيت التخطيطات الكثيفة والأسطح المنحنية والانسداد الشديد (severe occlusion) والحركة الفائقة بتغطية محدودة. ولا يعني استقرار الترتيب ضمن المقاطع المختارة ضماناً لنفس الأداء خارج هذا التوزيع.
• بيانات تدريب مولدة آلياً (Pipeline-Generated Training Data): قد تحتفظ المراجع المقترنة البالغ عددها 230 مقطعاً ببعض أخطاء التصيير؛ حيث بلغت دقة CharAcc عبر التعرف الضوئي لها 0.790، في حين وصل النسخ البشري على اقتطاعات المعايرة إلى 0.917. وتشير هذه القياسات إلى قصور في التعرف الضوئي والشكوك المتبقية حول جودة التصيير معاً، كما لم تُسجل عمليات إعادة سحب العينات المستهدفة الأولية ولا عدد محاولات إعادة توليد الإطار الأول.
• تحقق مستقل محدود (Limited Independent Validation): أجرى أحد المؤلفين دراسة النسخ دون معرفة الطرق، بينما قيّم ثلاثة مقيّمين من غير المؤلفين 70 ناتجاً، مع توافق أقل بكثير فيما يخص الموضعية (معامل التوافق الترتيبي $\alpha = 0.37$) مقارنة بصحة النص أو الجودة الزمنية. واقتصرت إعادة وسم الأقنعة المستقلة على 12 مقطعاً باستخدام نفس مسار العمل المدعوم بالنماذج.
• تكلفة التدريب والمكونات غير المحسومة (Training Cost and Unresolved Components): تطلب الضبط الدقيق 576 ساعة عمل لوحدات معالجة الرسومات، ويستخدم الاستدلال مساراً من 50 خطوة. ولا تذكر الورقة زمن تأخير الاستدلال (inference latency) أو مدى ملاءمته للعمل في الوقت الفعلي. كما تظل دراسات استئصال المكونات المضبوطة (component ablations) وتوسع التدريب مجالات للعمل المستقبلي.

ما يثبته ViTeX-Bench

يمنح ViTeX-Bench مجال تحرير نصوص المشاهد في الفيديو مجموعة بيانات مخصصة وبروتوكول قياس ملموساً. وعبر كافة الأنظمة الخاضعة للتقييم، لا يزال من الصعب تحقيق صحة الحروف، والاستقرار الزمني، والحفاظ على المشهد في وقت واحد؛ إذ يمكن لفيديو متقن الصنع أن يتضمن نصاً خاطئاً، كما يمكن لإطارات فردية دقيقة أن تشكل مقطعاً متذبذباً وغير مستقر.

ويمنح التكييف المعتمد على أشكال الحروف والمحاذى للحركة نموذج ViTeX-Edit-14B توازناً عملياً مفيداً: حيث حقق أعلى متوسط CharAcc بين المحررات المصممة خصيصاً للفيديو الخاضعة للتقييم، وأدنى تشويه (Warp) لاقتطاع النص بين المخرجات الخام القابلة للمقارنة. ومع ذلك، فإنه لا يلغي المقايضات القائمة ولا يحدد بدقة أي مكون معماري مسؤول عن كل مكسب تحقق.

تفيد الورقة البحثية بإتاحة مجموعة البيانات، وكود التقييم، وأوزان النموذج المرجعي على منصتي Hugging Face وGitHub. وأُدرج الكود والأوزان تحت ترخيص Apache-2.0؛ بينما تخضع مجموعة البيانات لترخيص CC-BY-NC 4.0 للأبحاث غير التجارية، مع التزامات ترخيص بالمثل (ShareAlike) إضافية للأجزاء المشتقة من InternVid والمعاد توزيعها. وتوفر هذه الموارد مجتمعة نقطة انطلاق قابلة للتكرار ودراسة الاستبدال الدقيق للنصوص في مقاطع الفيديو الواقعية.