MotionCFG: Boosting Motion Dynamics via Stochastic Concept Perturbation

إليك ملخص تقني مفصل لورقة البحث بعنوان "MotionCFG: تعزيز ديناميكيات الحركة عبر الاضطراب المفهومي العشوائي".

1. بيان المشكلة

على الرغم من التقدم السريع في نماذج توليد النص إلى فيديو (T2V)، لا يزال إنشاء فيديوهات عالية الدقة ذات حركة ديناميكية يمثل تحديًا كبيرًا. تعاني النماذج الحالية الرائدة من مشكلتين رئيسيتين:

• التحيز للسكون (Static Bias): غالبًا ما تهيمن المشاهد الساكنة أو منخفضة الحركة على مجموعات البيانات التدريبية. وبناءً على ذلك، تميل النماذج إلى تعلم حلول "اختصار" تفضل الأنماط الساكنة، مما ينتج عنه فيديوهات تحتوي على حركة قليلة ذات معنى حتى عند استخدام أوامر تتضمن أفعالاً ديناميكية (مثل "قط يقفز").
• محدودية التوجيه القياسي: آلية توجيه التصنيف الحر (Classifier-Free Guidance - CFG) القياسية، التي تستنتج من تضمين فارغ (null embedding) غير مشروط، هي آلية غير مدركة للحركة. فهي تحسن المحاذاة مع النص بشكل عام، لكنها تفشل في حل الغموض تحديدًا على محور الحركة.
• انزياح المحتوى-الحركة (Content-Motion Drift): غالبًا ما تؤدي محاولات الإصلاح باستخدام الأوامر السلبية الصريحة (مثل "ساكن"، "ضبابي") إلى إدخال انحياز دلالي غير مقصود. هذه الظاهرة، التي تُسمى انزياح المحتوى-الحركة، تخل بالسلامة الهيكلية للأجسام (مثل تشويه الأشكال) أثناء محاولة تحسين الحركة، مما يؤدي إلى عيوب مثل الإشباع المفرط أو التحول الشكلي (morphing).

2. المنهجية: MotionCFG

يقترح المؤلفون MotionCFG، وهو إطار عمل خالٍ من التدريب (training-free) ويعمل بنظام الصفر (zero-shot)، يعمل على تعزيز ديناميكيات الحركة من خلال مقارنة المفاهيم المستهدفة بـ اضطرابات مفهومية عشوائية بدلاً من النصوص السلبية الصريحة.

الآلية الجوهرية

بدلاً من استخدام تضمين فارغ أو أمر سلبي مصاغ يدويًا، يقوم MotionCFG بحقن ضجيج غاوسي (Gaussian noise) مباشرة في تضمينات النصوص المقابلة للرموز المتعلقة بالحركة.

1. تحديد رموز الحركة: يحدد النظام الكلمات الحرجة للحركة (مثل أفعال الحركة مثل "يقفز"، "يجري") في الأمر (prompt). يمكن القيام بذلك يدويًا أو تلقائيًا عبر نموذج لغوي كبير (LLM) خفيف الوزن.
2. الاضطراب العشوائي: عند كل خطوة إزالة ضجيج $t$، يتم حقن الضجيج الغاوسي فقط في تضمينات رموز الحركة المحددة ($c_{motion}$)، مما يخلق شرطًا مضطربًا $c_{pert,t}$.
   $$c_{pert,t}[i] = \begin{cases} c[i] + \sigma_c n_t & \text{if } i \in \mathcal{I}_{motion} \\ c[i] & \text{otherwise} \end{cases}$$
3. التنافر الموجه (Guided Repulsion): يتم توجيه عملية التوليد بعيدًا عن هذا الشرط المضطرب والمتردي حركيًا. يتم حساب تنبؤ الضجيج الموجه $\tilde{\epsilon}$ كالتالي:
   $$\tilde{\epsilon} = \epsilon_\theta(z_t, c) + \omega \left( \epsilon_\theta(z_t, c) - \epsilon_\theta(z_t, c_{pert,t}) \right)$$
   هنا، يُجبر النموذج على التمييز بين المفهوم النقي ونسخة "مشوشة" من الحركة، مما يؤدي فعليًا إلى استخراج السلبيات الصعبة الضمني (implicit hard negative mining). هذا يعمل على شحذ فضاء الحركة (motion manifold) دون تغيير الهوية الدلالية العالمية للأجسام.

مجدول التوجيه المجزأ (Piecewise Guidance Scheduler)

للموازنة بين شدة الحركة والدقة البصرية، قدم المؤلفون مجدول توجيه مجزأ:

• الخطوات المبكرة ($t > (1-\tau)T$): يتم تطبيق MotionCFG لتأسيس مسار الحركة العالمي.
• الخطوات المتأخرة: يعود النظام إلى CFG القياسي لتنقية التفاصيل المكانية عالية التردد والأنسجة.
• الأساس المنطقي: تطبيق الاضطراب طوال العملية بأكملها يؤدي إلى إدخال تباين عشوائي غير ضروري في المراحل المتأخرة، مما يسبب عيوهات بصرية. لذا فإن قصر التدخل في المرحلة المبكرة يحافظ على السلامة الهيكلية.

الأساس النظري

تقدم الورقة اشتقاقًا نظريًا يوضح أن MotionCFG يكافئ مشكلة تحسين مقيدة بالمنوع (manifold-constrained optimization) (مستوحاة من CFG++). ومن خلال تقليل المسافة بين المنوع النقي والمنوع المضطرب، يقوم الأسلوب بفعالية بدفع مسار التوليد بعيدًا عن حالات غموض الحركة مع تثبيته على المظهر المطلوب.

3. المساهمات الرئيسية

• إطار عمل MotionCFG: استراتيجية أخذ عينات مبتكرة وخالية من التدريب تستبدل الأوامر السلبية الصريحة باضطراب مفهومي عشوائي لتعزيز ديناميكيات الحركة.
• حل مشكلة انزياح المحتوى-الحركة: من خلال حصر الاضطرابات في منوع الحركة، يقوم الأسلوب بشحذ الديناميكيات دون تشويه سلامة الأجسام أو إدخال انحياز دلالي.
• استخراج السلبيات الصعبة الضمني: تسمح آلية حقن الضجيج للنموذج بتعلم التفاصيل الزمنية الدقيقة من خلال المقارنة بين متغيرات الحركة النقية والمتردية، مما يلغي الحاجة إلى هندسة الأوامر السلبية اليدوية.
• القدرة على التعميم: يوضح المؤلفون أن آلية التباين هذه لا تقتصر على الحركة؛ بل يمكنها أيضًا توجيه المفاهيم المعقدة وغير الخطية مثل العد الدقيق للأجسام (العددية/numerosity)، والتي يصعب التحكم فيها عادةً عبر التوجيه النصي القياسي.
• الكفاءة: يضيف الأسلوب عبئًا حسابيًا ضئيلًا للغاية مقارنة بـ CFG القياسي، حيث يتطلب فقط تعديلات طفيفة على عملية حقن التضمين.

4. النتائج التجريبية

قيم المؤلفون MotionCFG على نماذج T2V الرائدة، بما في ذلك Wan2.1 (1.3B و 14B) و CogVideoX-5B، باستخدام T2V-CompBench ومجموعة مختارة من الأوامر كثيفة الحركة.

• التحسينات الكمية:
  • تفوق MotionCFG باستمرار على النماذج المرجعية (Standard CFG, CADS, Interval Guidance) في مقاييس الحركة مثل FLOW (متوسط الحركة على مستوى البكسل)، و Info DINO، و DINO Segm، ومقياس DEVIL الموحد.
  • على نموذج Wan2.1-14B، قام MotionCFG بأكثر من مضاعفة درجة FLOW (6.06 مقابل 2.95) مقارنة بالنموذج المرجعي مع الحفاظ على محاذاة مماثلة بين النص والفيديو (X-CLIP).
• التحسينات النوعية:
  • أظهرت الفيديوهات المولدة حركة قوية ومنطقية فيزيائيًا (مثل الخيول التي تعدو، أو المباني التي تنهار) دون العيوب الساكنة أو التحول الشكلي للموضوع الذي لوحظ في الطرق المرجعية.
  • نجحت الطريقة في الحفاظ على اتساق الموضوع والدقة البصرية.
• عد الأجسام:
  • عند تطبيقه على عد الأجسام (اضطراب الرموز المتعلقة بالكمية)، قلل MotionCFG بشكل كبير من متوسط الخطأ المطلق (MAE) مقارنة بالنماذج المرجعية، مما أثبت قدرته على التحكم في السمات الدلالية المنفصلة.
• دراسات الاستبعاد (Ablation Studies):
  • هدف الاضطراب: أدى اضطراب رموز الحركة فقط إلى أفضل النتائج؛ بينما أدى اضطراب الرموز غير المتعلقة بالحركة إلى تدهور المحاذاة مع النص.
  • المجدول ($\tau$): وفر المجدول المجزأ (تطبيق الاضطراب في الخطوات المبكرة فقط، مثل $\tau=0.1$ إلى $0.2$) التوازن الأمثل بين شدة الحركة وجودة الصورة. التطبيق المفرط أدى إلى تدهور كلا المقياسين.

5. الأهمية

يمثل MotionCFG تحولًا جذريًا في التحكم في توليد الفيديو القائم على الانتشار (diffusion). فهو ينتقل من الاعتماد على الأوامر السلبية الصريحة، التي تسبب غالبًا انزياحًا دلاليًا، إلى نهج تبايني عشوائي في فضاء التضمين.

• المتانة: يوفر حلاً قويًا لتوليد فيديوهات عالية الدقة وديناميكية عبر مختلف أحجام النماذج دون الحاجة إلى إعادة تدريب أو تغييرات هيكلية.
• تعدد الاستخدامات: من خلال إثبات فعاليته لكل من السمات المستمرة (الحركة) والسمات المنفصلة (عد الأجسام)، فإنه يؤسس إطارًا عامًا لتوجيه المفاهيم الدلالية غير الخطية في النماذج التوليدية.
• العملية: تجعل التكلفة الحسابية المنخفضة وسهولة التكامل منه أداة قابلة للتبني الفوري في مسارات إنتاج الفيديو عالية الجودة.