MAMMA: Markerless & Automatic Multi-Person Motion Action Capture
تقدم الورقة البحثية MAMMA، وهو مسار لالتقاط حركة عدة أشخاص بدون علامات، يستخدم بنية مبتكرة قائمة على الاستعلام ومجموعة بيانات اصطناعية ضخمة لاستعادة معلمات SMPL-X بدقة ومعالم ثنائية الأبعاد كثيفة مدركة للتلامس من فيديوهات متعددة الزوايا لأفراد يتفاعلون، محققاً دقة تنافسية مع الأنظمة التجارية القائمة على العلامات دون الحاجة إلى تنظيف يدوي مكثف.
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 تريد تسجيل رقصة معقدة بين شخصين وهما يتعانقان، ويدوران، ويتلامسان باستمرار.
الطريقة القديمة (المعيار الذهبي):
تقليديًا، للحصول على تسجيل ثلاثي الأبعاد مثالي لهذا المشهد، سيتعين عليك إلباس الراقصين بدلات ضيقة مغطاة بعشرات الكرات الصغيرة العاكسة (العلامات/المركّزات). ستحتاج إلى غرفة مليئة بالكاميرات الباهظة الثمن، وفريق من الفنيين لوضع كل كرة بدقة متناهية، ثم بعد التصوير، ستحتاج إلى فريق من المحررين يقضون ساعات في إصلاح الأخطاء يدويًا حيث سقطت بعض العلامات أو اختفت خلف أيدٍ أو أجساد. الأمر يشبه محاولة رسم لوحة فنية رائعة، لكن عليك لصق آلاف الملصقات على اللوحة أولاً، ثم قضاء أيام في نزعها وإصلاح الطلاء الموجود تحتها.
الطريقة الجديدة (MAMMA):
تقدم الورقة البحثية نظام MAMMA (التقاط حركة متعدد الأشخاص بدقة بدون علامات). فكر في MAMMA كأنه نظارات سحرية ذكية للغاية يمكنها النظر إلى فيديو عادي لأشخاص يرقصون ورؤية الهيكل العظمي والجلد غير المرئي تحتهم فورًا، دون الحاجة إلى أي ملصقات.
إليك كيف يعمل، مقسمًا بتبسيط عبر التشبيهات:
1. مشكلة "النقطة غير المرئية"
إذا طلبت من الكمبيوتر فقط تخمين مكان كوع الشخص في فيديو، فقد يرتبك إذا كان هناك شخصان يتعانقان. قد يعتقد أن كوع الشخص (أ) هو في الواقع كتف الشخص (ب).
- حل MAMMA: بدلًا من مجرد التخمين لمواقع بعض المفاصل (مثل الكوع والركبة)، يتنبأ MAMMA بـ 512 نقطة صغيرة وغير مرئية في جميع أنحاء جسم الشخص، مثل شبكة عالية الدقة.
- الخدعة السحرية: يستخدم نظام "استعلام" (Query) خاصًا. تخيل أن لديك 512 محققًا صغيرًا، كل واحد منهم مكلف بالعثور على نقطة واحدة محددة في الجسم (على سبيل المثال: "المحقق رقم 42 يبحث عن طرف الإصبع الصغير الأيسر"). هم لا ينظرون إلى الصورة فحسب؛ بل ينظرون إلى الصورة و "القناع" (مخطط رقمي للشخص) ليعرفوا بالضبط من الذي يبحثون عنه. هذا يمنعهم من الارتباك عندما يتعانق الناس.
2. حاسة "التلامس"
عندما يرقص شخصان بالقرب من بعضهما، تتلامس أجسادهما. في الأنظمة القديمة التي تعتمد على العلامات، غالبًا ما تختفي العلامات، وقد يعتقد الكمبيوتر أن الأشخاص يمرون عبر بعضهم البعض كالأشباح (وهي مشكلة تسمى "التداخل").
- حل MAMMA: تم تدريب MAMMA ليكون واعياً باللمس. فهو لا يتنبأ فقط بمكان النقطة، بل يتنبأ أيضًا بـ:
- الرؤية: "هل هذه النقطة مخفية خلف ذراع؟"
- التلامس: "هل هذه النقطة تلمس الأرض أو شخصًا آخر؟"
- التشبيه: الأمر يشبه امتلاك الكمبيوتر لحاسة اللمس. إذا رأى شخصين يتعانقان، فإنه يعرف: "حسنًا، هذه النقاط تتلامس، لذا لا يمكن أن تكون في جهتين مختلفتين من الغرفة". هذا يمنع النماذج ثلاثية الأبعاد من التداخل أو الاختراق من خلال بعضها البعض.
3. "صالة التدريب"
لتعليم MAMMA كيفية القيام بذلك، لم يستطع الباحثون مجرد تصوير أشخاص حقيقيين (لأن تصوير أشخاص حقيقيين مع بيانات ثلاثية الأبعاد مثالية أمر صعب).
- الحل: بنوا عالمًا رقميًا ضخمًا وشديد الواقعية يشبه ألعاب الفيديو يسمى MammaSyn. قاموا ببرمجة آلاف الشخصيات الرقمية (Avatars) لترقص، وتتقاتل، وتتعانق في كل وضع غريب يمكن تخيله. ثم قاموا بتصوير هذه الشخصيات الرقمية من 32 زاوية كاميرا مختلفة في وقت واحد.
- لماذا هذا مهم: نظرًا لأنه عالم لعبة فيديو، فهم يعرفون "الحقيقة المطلقة" لكل نقطة بدقة. استخدموا هذا "التدريب المثالي" لتدريب الذكاء الاصطناعي بحيث يمكنه التعامل مع الفوضى في الحياة الواقعية.
4. النتيجة: "رقص بلا أشباح"
عندما اختبروا MAMMA مقابل الأنظمة المكلفة التي تعتمد على العلامات (مثل Vicon):
- الدقة: كانت مطابقة تقريبًا. الفرق في الدقة كان أقل من عرض شعرة الإنسان (أقل من 1 ملم).
- السرعة: الطريقة القديمة استغرقت حوالي 72 ساعة من العمل البشري لتنظيف جلسة واحدة. أما MAMMA فيقوم بذلك في حوالي 26 ساعة من المعالجة الآلية للكمبيوتر.
- التكلفة: لا تحتاج إلى غرفة بكاميرات تبلغ قيمتها 100,000 دولار. يمكنك القيام بذلك باستخدام عدد قليل من هواتف iPhone المتزامنة.
الخلاصة
MAMMA يشبه منح الكمبيوتر رؤية بالأشعة السينية وحاسة لمس في آن واحد. إنه يسمح لنا بالتقاط التفاعلات البشرية المعقدة والحميمية (مثل الرقص أو الفنون القتالية) بدقة تضاهي دقة هوليوود، ولكن دون الحاجة إلى البدلات المكلفة، أو العلامات اللاصقة، أو ساعات طويلة من التنظيف اليدوي الممل. إنه يجعل التقاط الحركة متاحًا للجميع، مما يجعل من الممكن للباحثين والمبدعين تسجيل الحركة البشرية في أي مكان وفي أي وقت.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.