ملخص تقني: تقدير وضعية الجسم البشري بنمط "الصفر-مرحلة" باستخدام المذيبات العكسية القائمة على الانتشار

بيان المشكلة

يهدف تقدير وضعية الجسم البشري إلى إعادة بناء وضعية كاملة للجسم (الرأس، الجذع، الأطراف) من بيانات مستشعرات متفرقة. وبينما أظهرت التطورات الأخيرة باستخدام نماذج الانتشار الشرطية آفاقاً واعدة في التنبؤ بوضعيات الجسم الكاملة باستخدام ثلاثة مستشعرات فقط (عادةً الرأس والمعصمين)، إلا أن هذه الأساليب تعاني من قصور حرج وهو: ضعف التعميم عبر المستخدمين ذوي أشكال الأجسام المختلفة.

تعتمد الأساليب الحالية، مثل تلك التي قدمها كاستيلو وآخرون (2023)، على تكييف نماذج الانتشار مع كل من مواقع المفاصل ودورانها. ومع ذلك، فإن مواقع المفاصل تعتمد بطبيعتها على المقياس؛ فهي تختلف بشكل كبير بناءً على أطوال عظام المستخدم وتناسب جسمه. وبناءً على ذلك، فإن النموذج المدرب على بيانات مستخدم معين يفشل في التعميم على مستخدمين بأشكال أجسام مختلفة دون الحاجة إلى ضبط دقيق (fine-tuning) مكثف. كما أن التدريب المشترك على أشكال أجسام متعددة (كما حاول علي أكبريان وآخرون، 2022) يزيد من تعقيد النموذج ولا يضمن تغطية جميع التباينات الممكنة في شكل الجسم. هناك حاجة إلى خوارزمية يمكنها التعميم على الحالات الشاذة في شكل الجسم دون الحاجة إلى بيانات تدريب مخصصة.

المنهجية: InPose

يقترح المؤلفون InPose، وهو أسلوب يعتمد على الانتشار يصيغ تقدير الوضعية كـ مسألة عكسية لتحقيق تعميم بنمط "الصفر-مرحلة" (zero-shot). وتتمثل الفكرة الجوهرية في تفكيك وضعية الجسم إلى مكونين:

1. وضعية خالية من المقياس: تُعرف من خلال دورانات المفاصل (الزوايا)، وهي مستقلة عن حجم الجسم.
2. مكون يعتمد على المقياس: يُعرف من خلال مواقع المفاصل في الفضاء ثلاثي الأبعاد، والتي تعتمد على أطوال العظام وشكل الجسم.

1. صياغة المسألة العكسية

بدلاً من تكييف نموذج الانتشار مع كل من الموقع والدوران (مما يربط النموذج بأشكال أجسام محددة)، يقوم InPose بتكييف نموذج الانتชีพي (generative prior) فقط على قياسات الدوران.

• النموذج المسبق (Prior): يتم تدريب نموذج مطابقة التدفق الشرطي (CFG) ليتنبأ بتوزيع الوضعيات الخالية من المقياس بناءً على قياسات الدوران الضوضائية ($r_m$).
• الاحتمالية (التوجيه/Guidance): تُستخدم مواقع المفاصل المقاسة ($l_m$) ليس كمدخل شرطي للتدريب، بل كـ حد احتمالية لتوجيه عملية الاستدلال. هذا الحد يقيم مدى قدرة الوضعية المولدة على تفسير المواقع المرصودة بالنظر إلى أطوال عظام المستخدم المحددة.

2. الإطار الرياضي

الهدف هو أخذ عينة من التوزيع اللاحق $p(r_M | y_m)$، حيث تمثل $r_M$ دوران الـ 22 مفصلاً عالمياً، و $y_m$ هي قياسات المستشعرات. باستخدام قاعدة بايز، يتم تفكيك دالة الدرجة (score function) إلى:
$$\nabla_{r_M^t} \log p_t(r_M^t | \{l_m, r_m\}) = \nabla_{r_M^t} \log p_t(r_M^t | r_m) + \nabla_{r_M^t} \log p_t(l_m | r_M^t)$$

• حد النموذج المسبق ($\nabla \log p(r_M^t | r_m)$): يتم تعلمه بواسطة نموذج درجة قائم على CFG مشروط فقط بالدورانات. يوفر هذا توزيعاً للاحتمالات للوضعيات المعقولة الخالية من المقياس.
• حد الاحتمالية ($\nabla \log p(l_m | r_M^t)$): يعمل هذا الحد كإرشاد الكينماتيكا العكسية (inverse kinematics guidance). ويتطلب رسم خرائط الدورانات المقدرة إلى المواقع عبر مؤثر غير خطي $D(\cdot)$ (تحويل متجهات الدوران سداسية الأبعاد إلى مصفوفات) ومؤثر خطي $A$ (الكينماتيكا الأمامية).

3. التعامل مع اللاخطية عبر توجيه شبه المعكوس (Pseudoinverse Guidance)

يتمثل التحدي الرئيسي في أن حد الاحتمالية يتضمن تمرير متغير عشوائي غاوسي عبر الدالة غير الخطية $D(\cdot)$. يفترض "توجيه شبه المعكوس لنماذج الانتشار" (ΠGDM) القياسي أن المؤثرات خطية.

• النظرية 1: يثبت المؤلفون أنه إذا ضمن نموذج الدرجة قيوداً محددة على وحدة المعيار والتعامد لمتجهات الدوران سداسية الأبعاد، فيمكن تقريب توزيع الدورانات المحولة $D(r_M^0)$ المعطى المدخل الضوضائي $r_M^t$ كـ توزيع غاوسي.
• يسمح هذا التقريب للمؤلفين بحساب درجة الاحتمالية تحليلياً، مما يتيح استخدام ΠGDM لتوجيه عملية إزالة الضجيج دون الحاجة لأن يكون المؤثر خطياً.

4. خط العمل (Pipeline)

تقوم عملية الاستدلال (الخوارزمية 1) بتحسين الوضعية بشكل تكراري:

1. توليد تقدير مُزال الضجيج شرطياً $\hat{r}_M^t$ باستخدام نموذج CFG المسبق (المشروط بالدورانات).
2. حساب درجة الاحتمالية باستخدام إطار عمل ΠGDM، مع دمج أطوال عظام المستخدم المحددة لرسم خرائط الدورانات إلى المواقع المتوقعة.
3. دمج درجات النموذج المسبق والاحتمالية باستخدام عينة DDIM معدلة لتحديث تقدير الوضعية للخطوة الزمنية التالية.

المساهمات الرئيسية

1. التعميم بنمط الصفر-مرحلة (Zero-Shot Generalization): من خلال فصل النموذج المسبفي (الدورات) عن القياسات المعتمدة على المقياس (المواقع)، يستطيع InPose تقدير الوضعيات لمستخدمين بأي شكل جسم دون الحاجة لإعادة التدريب أو الضبط الدقيق.
2. صياغة المسألة العكسية: يعيد البحث صياغة تقدير الوضعية كمسألة عكسية حيث يتم توجيه نموذج انتشار مسبق مدرب مسبقاً بواسطة حد احتمالية مشتق من قياسات المواقع المتفرقة.
3. التقريب الغاوسي للمؤثرات غير الخطية: يقدم المؤلفون برهاناً نظرياً (النظرية 1) يسمح بتمرير المتغيرات الغاوسية عبر عملية رسم خرائط الدوران (6D-to-matrix) غير الخطية، مما يجعل ΠGDM قابلاً للتطبيق في هذه المسألة العكسية المحددة.
4. المتانة (Robustness): يظهر المنهج متانة ذاتية تجاه ضوضاء قياس المواقع، حيث يلعب النموذج المسبفي المولد دوراً مهيمناً في التقدير النهائي، على عكس الأساليب التي تعتمد بشدة على مدخلات المواقع الضوضائية.

النتائج التجريبية

أُجريت التجارب على مجموعة بيانات AMASS باستخدام بروتوكولات مشابهة لخط الأساس BoDiffusion.

• تدرج شكل الجسم: عند الاختبار على مستخدمين بأشكال أجسام متدرجة (مثل أطول أو أقصر)، أظهرت نماذج خط الأساس (AvatarJLM، BoDiffusion) تدهوراً كبيراً في كل من خطأ الموضع (MPJPE) وخطأ الدوران (MPJRE). في المقابل، حافظ InPose على أداء ثابت عبر جميع عوامل التدرج، مما أثبت قدرته على التعميم بنمط الصفر-مرحلة.
• تباين أجزاء الجسم النسبية: في السيناريوهات التي تم فيها تغيير مقاييس أجزاء معينة من الجسم (مثل الذراعين مقابل الجذع) بشكل مختلف، تفوق InPose على النماذج المرجعية في MPJPE وخطأ موضع الجزء العلوي من الجسم (UPE)، حيث أخذ التوجيه العكسي في الاعسب أطوال العظام المتغيرة بشكل صحيح.
• المتانة تجاه الضوضاء: تحت تأثير زيادة الضوضاء الغاوسية في قياسات المواقع، ظل InPose مستقراً، بينما تدهورت النماذج المرجعية بشكل ملحوظ.
• المقايضات (Trade-offs):
  • يتراجع أداء InPose قليلاً عن النماذج المرجعية فيما يتعلق بـ شكل الجسم الافتراضي (الشكل المستخدم في التدريب)، ويرجع ذلك على الأرجح إلى أن النماذج المرجعية يمكنها تعلم خريطة غير خطية مباشرة لهذا الشكل المحدد، بينما يعتمد InPose على تقريب عام.
  • تقدير الجزء السفلي من الجسم: بدون إدخال إزاحة الرأس كمدخل لـ CFG، يواجه InPose صعوبة في تقدير وضعية الجزء السفي من الجسم (LPE مرتفع) لأن إزاحة الجذر (root translation) لا تُلاحظ مباشرة. ومع ذلك، فإن إضافة موضع الرأس كمدخل CFG (InPose (head)) يحسن بشكل كبير من تقدير الجزء السفلي، متفوقاً على جميع النماذج المرجعية عبر مختلف أشكال الأجسام.

الأهمية والادعاءات

يزعم البحث أن InPose يوفر مساراً لـ تنبؤ الوضعية بنمط الصفر-مرحلة من خلال الاستفادة من تفكيك الوضعية إلى مكونات خالية من المقياس ومعتمدة على المقياس. تكمن الأهمية في إلغاء الحاجة إلى جمع بيانات شخصية وإعادة التدريب لكل مستخدم جديد، وهو ما يمثل عقبة كبيرة في تطبيقات المستشعرات القابلة للارتداء العملية.

يقر المؤلفون بتواضع ببعض القيود:

• لا يتفوق المنهج على النماذج المرجعية في شكل الجسم المحدد المستخدم في التدريب.
• يعتمد تقدير الجزء السفي من الجسم بشدة على النموذج المسبفي أو تضمين موضع الرأس، حيث لا يتم دمج إزاحة الجذر مباشرة.
• تتطلب الخوارزمية معرفة دقيقة لأطوال عظام المستخدم أثناء الاستدلال؛ إذ يمكن أن تؤدي الأخطاء في تقدير طول العظام إلى تدهور الأداء.

يشير العمل إلى أن الأبحاث المستقبلية يجب أن تركز على تحسين نمذجة الجزء السفلي من الجسم من خلال قيود الفيزياء وتطوير طرق لتقدير أطوال العظام بشكل أعمى دون معايرة صريحة.