InfinityStory: Unlimited Video Generation with World Consistency and Character-Aware Shot Transitions
تقدم الورقة البحثية InfinityStory، وهو إطار عمل ومجموعة بيانات ونموذج مبتكر يتغلب على القيود الرئيسية في توليد الفيديو طويل التنسيق من خلال ضمان اتساق الخلفية والشخصيات عبر اللقطات مع تمكين الانتقالات السلسة بين المواضيع المتعددة لروايات تمتد لساعة كاملة.
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 مخرج يحاول تصوير فيلم طويل، ولكنك لا تملك سوى كاميرا سحرية تلتقط مقاطع مدتها 5 ثوانٍ فقط. تريد أن تحكي قصة عن فارس وتنين وأميرة، ولكن في كل مرة تحاول فيها دمج هذه المقاطع معاً، يحدث أمران سيئان للغاية:
- خلل الخلفية: في مقطع ما، يكون القصر مصنوعاً من الحجر تحت سماء زرقاء. وفي المقطع التالي مباشرة، يبدو القصر فجأة وكأنه مصنوع من الهلام (الجيلي) تحت سماء أرجوانية. العالم يغير رأيه باستمرار.
- الممثلون المتنقلون آنياً: يدخل الفارس إلى الكادر في مقطع ما، ولكن في المقطع التالي، يظهر فجأة في منتصف الغرفة، أو يختفي فوراً دون أن يمشي خارجاً. يبدو الأمر كأنه خدعة سحرية فاشلة، وليس فيلماً.
InfinityStory هو نظام ذكاء اصطناعي جديد صُمم لإصلاح هاتين المشكلتين تحديداً. إنه يشبه فريق إنتاج فائق الذكاء يضمن بقاء العالم متسقاً وتحرك الممثلين بشكل طبيعي من مشهد إلى آخر.
إليك كيف يعمل، مقسماً إلى مفاهيم بسيطة:
1. "مكتبة المواقع" (إصلاح الخلفية)
تعامل معظم أدوات صناعة الفيديو بالذكاء الاصطناعي كل مشهد كأنه لوحة جديدة تماماً. إذا طلبت منها "غابة"، فقد ترسم في لقطة غابة بأشجار صنوبر، وفي اللقطة التالية غابة بأشجار بلوط.
حل InfinityStory:
فكر في الذكاء الاصطناعي وكأن لديه "مكتبة مواقع رقمية". قبل بدء الفيلم، يقوم بإنشاء بعض "الديكورات" الثابتة (مثل قلعة محددة، غابة محددة، غرفة محددة).
- بمجرد بناء ديكور "القلعة"، يقوم الذكاء الاصطناعي بتثبيته.
- في كل مرة تعود فيها القصة إلى القلعة، لا يعيد الذكاء الاصطناعي رسمها؛ بل يقوم بلصق الشخصيات فوق نفس صورة الخلفية بالضبط.
- التشبيه: تخيل أنك تصنع فيلماً بنظام "إيقاف الحركة" (Stop-motion). بدلاً من إعادة بناء الديكور في كل مرة تحرك فيها الكاميرا، تقوم ببناء الديكور مرة واحدة وتبقيه كما هو، ثم تقوم فقط بتحريك مجسمات الصلصال حوله. هذا يضمن أن القلعة لن يتغير شكلها أو لونها أبداً، مهما تعددت المشاهد التي تصورها.
2. "المصمم الحركي" (إصلاح الممثلين)
عادةً، عندما ينتقل الذكاء الاصطناعي من مقطع إلى آخر، فإنه لا يعرف كيفية التعامل مع دخول أو خروج الشخصيات. يبدو الأمر كمسرحية يخرج فيها الممثلون من المسرح، ثم يبدأ المشهد التالي وهم واقفون بالفعل في المنتصف، ويبدون في حالة ارتباك.
حل InfinityStory:
يستخدم النظام "مصمماً حركياً" خاصاً (وكيل ذكاء اصطناعي ذكي) يخطط للحركة قبل صنع الفيديو.
- يقوم بإنشاء مجموعة بيانات خاصة من 10,000 فيديو تدريبي توضح بالضبط كيف يجب أن يمشي الأشخاص للداخل، أو للخارج، أو لتبادل الأماكن.
- يعلّم الذكاء الاصطناعي قاعدة محددة: "يُمنع الانتقال الآني". إذا خرجت الشخصية من الكادر، يجب أن تمشي للخارج. وإذا دخلت، يجب أن تمشي للداخل.
- التشبيه: فكر في مدرب رقص. الذكاء الاصطناعي العادي يقوم فقط بفرقعة أصابعه ليظهر الراقصون. أما ذكاء InfinityStory فهو مدرب الرقص الذي يقول: "حسناً، يجب على الفارس أن يمشي من الباب الأيسه إلى المنتصف، ويجب على التنين أن يطير من جهة اليمين". إنه يملأ الفجوة بين المقاطع بحيث تبدو الحركة سلسة ومستمرة.
3. "خط التجميع" (كيف يتم صنع الفيلم)
يستخدم النظام فريقاً من "وكلاء" الذكاء الاصطناعي (روبوتات متخصصة) يعملون معاً مثل استوديو الأفلام:
- كاتب السيناريو: يقسم القصة إلى فصول ومشاهد.
- مدير المواقع: يخصص "ديكوراً" معيناً لكل مشهد لضمان عدم تغير الخلفية.
- المخرج: يقرر من الموجود في اللقطة وماذا يفعلون.
- المحرر (المونتير): يستخدم أداتين مختلفتين لدمج الفيلم معاً:
- الأداة (أ) - "الحكواتي": تولد مقاطع الحركة الرئيسية (مثل قتال الفارس للتنين).
- الأداة (ب) - "باني الجسور": تولد مقاطع "الانتقال". وهذا هو السر الحقيقي. فهي تأخذ الإطار الأخير من المقطع السابق والإطار الأول من المقطع التالي وتنشئ فيديو سلساً يربط بينهما، مما يضمن تحرك الشخصيات بشكل طبيعي بين هاتين اللحظتين.
لماذا يهم هذا؟
قبل هذا النظام، كان صنع فيديو طويل بالذكاء الاصطناعي يشبه محاولة بناء منزل من الرمال؛ حيث تنهار الجدران وتتحول مع إضافة كل غرفة جديدة.
InfinityStory هو أول نظام يمكنه بناء فيلم طويل ومستقر لمدة ساعة كاملة حيث:
- يبدو العالم حقيقياً ومتسقاً (القلعة تظل قلعة).
- تبدو الشخصيات حية (لا ينتقلون آنياً؛ بل يمشون ويتحدثون).
- تكون الانتقالات سلسة، مثل أفلام هوليوود الحقيقية، وليست مجرد عرض شرائح مزعج.
باختختصار، إنه ينزع صفة "السحر" عن الأعطال التقنية ويستبدلها بـ "منطق" الإنتاج السينمائي الحقيقي، مما يسمح لنا أخيراً بسرد قصص طويلة ومتماسكة باستخدام الذكاء الاصطناعي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.