💻 computer science

RDM: Recurrent Diffusion Model for Human Motion Generation

تقترح هذه الورقة نموذج الانتشار المتكرر (RDM)، وهو نموذج انتشار يعتمد على التدفقات الطبيعية (Normalizing Flows) لتهيئة عملية التوليد بناءً على الإطارات المشوشة السابقة، مما يتيح توليد حركة بشرية طويلة المدى بكفاءة مع تقليل التكاليف الحسابية مع الحفاظ على توافق عالٍ مع النصوص الوصفية.

المؤلفون الأصليون: Mirgahney Mohamed, Harry Jake Cunningham, Marc P. Deisenroth, Lourdes Agapito

نُشر 2026-03-10

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Mirgahney Mohamed, Harry Jake Cunningham, Marc P. Deisenroth, Lourdes Agapito

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول تعليم روبوت كيف يرقص على أغنية. تريد من الروبوت أن يستمر في الرقص لفترة طويلة، وليس لثوانٍ معدودة فقط، وتريد أن تتدفق كل حركة بسلاسة إلى الحركة التي تليها، تماماً كالإنسان الحقيقي.

هذا هو التحدي الذي تعالجه ورقة البحث بعنوان "RDM: Recurrent Diffusion Model for Human Motion Generation" (نموذج الانتشار المتكرر لتوليد حركة البشر). إليك التفاصيل باستخدام تشبيهات بسيطة.

المشكلة: "ألبوم الصور" مقابل "الفيلم"

طرق الذكاء الاصطناعي الحالية لصنع حركة البشر تشبه التقاط ألبوم صور.

الانتشار الحجمي (الطريقة القديمة): تخيل أنك تريد إنشاء فيديو مدته دقيقة واحدة. يحاول الذكاء الاصطناعي القديم توليد الـ 60 ثانية كاملة دفعة واحدة، مثل محاولة رسم جدارية ضخمة بضربة فرشاة واحدة.
- العيب: يشعر بالارتباك. يمكنه رسم مربع صغير فقط (مقطع قصير) قبل أن تنفد "قدراته الذهنية". إذا طلبت منه رقصة أطول، فسيصاب بالارتباك وقد "تنتقل" أقدام الراقص من مكان لآخر بشكل مفاجئ أو تتوقف الحركة عن كونها منطقية.
الانتشار المتسلسل (طريقة "خطوة بخطوة"): تحاول طريقة أخرى توليد الفيديو ثانية بثانية. تنهي الثانية الأولى وتجعلها مثالية، ثم تستخدم تلك الثانية "النظيفة" لرسم الثانية التالية.
- العيب: بطيئة للغاية. الأمر يشبه رساماً يتعين عليه غسل فرشاته، وتجفيفها، وتنظيف اللوحة تماماً بعد كل ضربة فرشاة قبل الانتقال للضربة التالية. يستغ fear وقت طويل جداً لصنع فيلم طويل.

الحل: "حزام الناقل" (RDM)

يقترح المؤلفون RDM (نموذج الانتشار المتكرر). فكر في هذا كأنه حزام ناقل في مصنع أو سباق تتابع.

بدلاً من رسم الصورة بأكملة دفعة واحدة، أو تنظيف اللوحة بالكامل قبل الانتقة، يقوم RDM بشيء أذكى:

يحافظ على "الفوضى" حية: عندما يولد الذكاء الاصطناعي الجزء التالي من الرقصة، فإنه لا ينتظر حتى يكون الجزء السابق نظيفاً ومثالياً تماماً. بل ينظر إلى النسخة "الفوضوية وغير المنظمة" من الحركة السابقة.
يسلم العصا: يستخدم تلك الحركة السابقة "الفوضوية" كإشارة لتوليد الحركة التالية.
الخدعة السحرية (التدفق الطبيعي - Normalizing Flows): هذا هو الجزء المعقد. في الرياضيات، تمرير إشارة "فوضوية" عادة ما يكسر قواعد الاحتمالات (مثل محاولة صب الماء من كوب في دلو غير موجود). ولإصلاح ذلك، استخدم المؤلفون أداة رياضية تسمى Normalizing Flows.
- تشبيه: تخيل أن "الفوضى" هي ورقة مجعدة. لكي يتم تمريرها إلى المحطة التالية دون فقدان شكلها، استخدموا آلة خاصة (الـ Flow) يمكنها فرد وطي الورقة بدقة دون تمزيقها. هذا يضمن بقاء الرياضيات صحيحة حتى مع تخطي بعض الخطوات.

لماذا يعد هذا أمراً مهماً؟

1. رقص لا نهائي (تجاوز حدود الأفق الزمني)
لأن RDM يسلم "العصا" بكفاءة عالية، يمكنه الاستمرار في الرقص للأبد. يمكنك أن تطلب منه "تنطيط كرة السلة لمدة 10 دقائق"، وسوف يستمر في ذلك دون أن تتعثر أقدام الراقص أو تنهار الحركة. الطرق القديمة كانت ستتوقف عن العمل بعد ثوانٍ قليية.

2. تسريع إنتاج الفيلم
كانت طرق "الانتشار المتسلسل" القديمة تضطر لتنظيف كل إطار (Frame) بشكل مثالي قبل الانتقال لما بعده. أما RDM فهو مثل مخرج يقول: "مهلاً، لسنا بحاجة لتجهيز خلفية المشهد الأخير بشكل مثالي قبل البدء في تصوير المشهد التالي؛ يمكننا إصلاح الخلفية أثناء تصوير المشهد التالي".

النتيجة: إنه يتخطى عدداً هائلاً من خطوات الحساب. تُظهر الورقة البحثية أنه أسرع بمقدار 3 إلى 18 مرة من أفضل الطرق السابقة.

3. توافق أفضل
لأنه ينظر باستمرار إلى النسخة "المشوشة" من الحركة السابقة، فإنه يظل مرتبطاً بشكل وثيق بالتعليمات الأصلية (النص المكتوب).

مثال: إذا قلت له "نطط كرة السلة"، فقد تبدأ الطرق القديمة بالتنطيط، ثم فجأة تختفي الكرة، أو يبدأ الشخص بالمشي. أما RDM فيحافظ على إيقاع التنطيط بشكل ثابت لفترة طويلة.

ملخص التشبيه: الحكواتي

الانتشار الحجمي (Volume Diffusion) هو مثل الحكواتي الذي يحاول حفظ كتاب كامل وسرده دفعة واحدة. ينسى النهاية إذا كانت القصة طويلة جداً.
الانتشار المتسلسل (Autoregressive Diffusion) هو حكواتي يروي جملة واحدة، ثم يكتبها بدقة، ثم يمسح المسودة، ثم يروي الجملة التالية. هو دقيق ولكنه يستغرق وقتاً طويلاً جداً.
RDM هو حكواتي يروي جملة، ويحتفظ بالمسودة الأولية في يده، ويستخدم "إحساس" تلك المسودة ليروي الجملة التالية فوراً. هو لا ينتظر إتقان الماضي، بل يستخدم الماضي ليدفع المستقبل.

باختصار: RDM هو طريقة جديدة تجعل الذكاء الاصطناعي يولد حركات بشرية طويلة، سلسة، وواقعية من خلال الحفاظ على "تدفق" الحركة حياً، مما يجعله أسرع وقادراً على إنشاء تسلسلات أطول بكثير من أي وقت مضى.

إليك ملخص تقني مفصل لورقة البحث بعنوان "RDM: نموذج الانتشار المتكرر لتوليد حركة الإنسان (Recurrent Diffusion Model for Human Motion Generation)."

1. بيان المشكلة

يعد توليد الحركة البشرية من النصوص المطالبات (text prompts) مهمة معقدة وعالية الأبعاد. وبينما حققت نماذج الانتشار (diffusion models) نتائج رائدة (SOTA) في جودة العينات، تواجه النهج الحالية قيودين أساسيين فيما يتعلق بـ طول التسلسل والكفاءة الحسابية:

الانتشار الحجمي (Volume Diffusion): تتعامل الطرق المبكرة مع تسلسل الحركة بأك�مله ككتلة واحدة صماء. وهذا يحد من التوليد في آفاق زمنية قصيرة وثابتة (بسبب قيود الذاكرة)، ويؤدي إلى عدم اتساق الحركة عند محاولة تمديد التسلسلات.
الانتشار ذاتي الانحدار (Autoregressive Diffusion): لتوليد تسلسلات أطول، تقوم بعض الطرق بتوليد الإطارات بشكل متسلسل، حيث تشترط عملية العكس على إطارات سابقة "نظيفة" (clean frames). وبينما يسمح هذا بتوليد تسلسلات أطول، فإنه يتطلب إزالة الضجيج بالكامل عن كل إطار سابق قبل توليد الإطار التالي، مما يخلق عبئاً حسابياً ثقيلاً أثناء الاستدلال ويعقد عملية التدريب.

التحدي الجوهري هو تطوير إطار عمل للانتشار يمكنه توليد تسلسلات طويلة ومتسقة تتجاوز أفق التدريب دون التكلفة الباهظة لإزالة الضجيج الكامل عن الإطارات السابقة في كل خطوة، مع الحفاظ على الصلاحية الاحتمالية لعملية الانتشار.

2. المنهجية: نموذج الانتشار المتكرر (RDM)

يقترح المؤلفون RDM، وهو إطار عمل مبتكر يوسع نماذج الانتشار في البعد الزمني باستخدام صياغة متكررة (recurrent formulation) مشابهة للشبكات العصبية المتكررة (RNNs).

البنية الأساسية

يهيكل RDM عملية التوليد كـ شبكة ثنائية الأبعاد (2D grid) تتضمن بعدين:

خطوات الانتشار ( $t$ ): خطوات إضافة الضجيج (الأمامية) وإزالة الضجيج (العكسية) القياسية.
الشرائح الزمنية ( $i$ ): يتم تقسيم التسلسل إلى $L$ من الشرائح.

على عكس الانتشار القياسي، يقوم RDM صراحةً بضبط العمليات الأمامية والعكسية بناءً على الإطارات المشوشة السابقة (الحالات الخفية own hidden states)، بدلاً من الإطارات النظيفة.

المكونات التقنية الرئيسية

أ. آلية "تدفق الانتشار" (Diffusion-Flow Mechanism)
تتمثل العقبة النظرية الحرجة في أن التحويلات المتكررة القياسية لا تضمن توزيعات احتمالية صالحة، مما يبطل دالة فقدان الانتشار (KL divergence). ولحل ذلك، يستخدم RDM التدفقات الطبيعية (Normalizing Flows - NF):

الانتشار فقط (Diffusion-Only): تخضع الشريحة الأولى ( $x^0_0$ ) لعملية إضافة/إزالة الضجيج الغاوسي القياسية.
تدفق الانتشار (Diffusion-Flow): بالنسبة للشرائح اللاحقة ( $x^i_t$ حيث $i > 0$ )، يتم إضافة وإزالة الضجيج بالاشتراط على الشريحة الزمنية السابقة ( $x^{i-1}_t$ ) وخطوة الانتشار السابقة ( $x^i_{t-1}$ ).
القابلية للعكس (Invertibility): يتم نمذجة الانتقال بين الشرائح باستخدام تدفق طبيعي قابل للعكس ( $f_\phi$ ). يضمن هذا أن التحويل يحافظ على كثافة الاحتمال، مما يسمح باشتقاق دالة فقدان صالحة للتدريب.

ب. استراتيجية التدريب

يتعلم النموذج توزيعاً مشتركاً عبر الشبكة ثنائية الأبعاد.
تُشتق دالة الفقدان من الحد الأدنى المتغير (Variational Lower Bound - VLB).
للتعامل مع تباعد KL غير القابل للحل الناتج عن تحويلات التدفق غير الخطية، يستخدم RDM قابلية العكس للتدفق لتعيين العينات المتوقعة مرة أخرى إلى فضاء "الانتشار فقط" (الغاوسي)، وحساب الفقد في شكل مغلق، ثم تعيينها مرة أخرى.
تعمل دالة الفقد فعلياً على تقليل الفرق بين الشريحة النظيفة المتوقعة والحقيقة الأرضية (ground truth)، مع وزن محدد بمحدد جاكوبي (Jacobian determinant) للتدفق.

ج. الاستدلال: أخذ عينات على شكل درجات السلم (Staircase Sampling)
يقدم RDM تحسيناً كبيراً للكفاءة أثناء الاستدلال:

تخطي الخطوات: على عكس النماذج ذاتية الانحدار التي يجب أن تزيل الضجيج عن تسلسل كامل للحصول على الإطار التالي، يستفيد RDM من التدفق لـ "تخطي" خطوات الانتشار.
مسار الدرجات (Staircase Path): يأخذ النموذج عينات في نمط "درجات السلم" عبر الشبكة ثنائية الأبعاد. فهو يولد الشريحة الأولى عبر الانتشار القياسي، ثم يستخدم التدفق للانتقال إلى الشريحة الزمنية التالية، مع إجراء عدد مخفض فقط من خطوات إزالة الضجيج.
يسمح هذا بتوليد تسلسلات تتجاوز أفق التدريب بكثير دون الزيادة الخطية في التكلفة الحسابية التي تشهدها النماذج ذاتية الانحدار.

3. المساهمات الرئيسية

صياغة الانتشار المتكرر: إطار عمل جديد يدمج التكرار الشبيه بـ RNN في نماذج الانتشار، مع الاشتراط صراحةً على الحالات الخفية المشوشة لتمكين تخليق تسلسلات مفتوحة النهاية.
الصلاحية الاحتمالية عبر التدفقات الطبيعية: استخدام التدفقات الطبيعية لنمذجة التبعيات الزمنية يضمن أن تظل التحويلات المتكررة توزيعات احتمالية صالحة، مما يحل فجوة نظرية في تطبيق التكرار على نماذج الانتشار.
استدلال مستقل عن الأفق الزمني: آلية تفصل طول التوليد عن قيود التدريب، مما يسمح بتوليد حركة طويلة المدى ومستقرة.
الكفاءة: استراتيجية استدلال تتخطى خطوات الانتشار الزائدة، مما يقلل بشكل كبير من زمن التأخير (latency) وعمليات الفاصل العائم (FLOPs) مقارنة بالنماذج ذاتية الانحدار.

4. النتائج التجريبية

قيم المؤلفون RDM على مجموعات بيانات HumanML3D و KIT-ML، وقارنوه بنماذج الانتشار الحجمي (مثل MotionDiffuse و Light-T2M) والانتشار ذاتي الاندرار (مثل AMD و CLoSD).

الأداء النوعي:
- يولد RDM حركات تظل متسقة ومتوافقة مع المطالبات النصية لفترة طويلة جداً تتجاوز أفق التدريب (على سبيل المثال، توليد أكثر من 245 إطاراً لمطالبة "تنطيط كرة السلة").
- تظهر المقارنات البصرية أن RDM يتجنب مشكلات "تلامس القدم" (foot contact) وعدم الاتساق التي تظهر في النماذج ذاتية الانحدار (MD-7) والأساليب الحجمية عند التمديد.
الأداء الكمي:
- دقة R (R-Precision) و FID: يحقق RDM أداءً يضاهي نماذج الانتشار الحجمي الرائدة (مثل Light-T2M) ويتفوق بشكل كبير على النماذج ذاتية الانحدار في التوافق بين النص والحركة والواقعية.
- قدرة التمديد (Rollout Capability): يتفوق RDM-7 (7 شرائح) على MD-7 و AMD، مما يثبت أن الاتصال المتكرر يحسن الاتساق طويل المدى.
الكفاءة الحسابية:
- السرعة: يعد RDM أسرع بكثير من النماذج ذاتية الانحدار. في HumanML3D، يحقق RDM-4 تسريعاً يترا-وحتى 18 ضعفاً مقارنة بـ CLoSD (DIP).
- العمليات الحسابية (FLOPs): من خلال تخطي خطوات الانتشار، يقلل RDM العمليات الحسابية بنطاقات كبيرة مقارنة بمعالجة حجم التسلسل الكامل.

5. الأهمية والأثر

سد الفجوة: نجح RDM في سد الفجوة بين الجودة العالية للانتشار الحجمي والقدرة على التسلسلات الطويلة للنماذج ذاتية الانحدار، دون وراثة عدم الكفاءة الحسابية للأخيرة.
التقدم النظري: يوفر طريقة سليمة رياضياً لتطبيق التكرار على نماذج الانتشار من خلال الاستفيد من التدفقات الطبيعية، مما يعالج مسأية التوزيعات الاحتمالية غير الصالحة في العمليات التوليدية المتكررة.
التطبيق العملي: إن القدرة على توليد تسلسلات حركة طويلة ومتسقة ومتوافقة مع النص مع زمن تأخير منخفض في الاستدلال تجعل RDM مناسباً للغاية للتطبيقات في الوقت الفعلي مثل الألعاب، والروبوتات، والواقع الافتراضي، حيث تكون التخطيط طويل المدى والاستجابة أمراً بالغ الأهمية.

في الختام، يمثل RDM تحولاً جذرياً في نمذجة الانتشار الزمني، حيث ينتقل من النهجات الحجمية أو ذاتية الانحدار الصارمة نحو بنية متكررة قائمة على التدفق، وهي بنية قوية نظرياً وفعالة حسابياً.