ملخص تقني: MoZoo – إطلاق قدرات انتشار الفيديو في محاكاة فراء وعضلات الحيوانات

1. بيان المشكلة

تعتمد عملية إنشاء تأثيرات الحيوانات ذات الجودة السينمائية تقليديًا على سير عمل يتطلب جهدًا مكثفًا وتكلفة حوسبية عالية، بما يشمل النمذجة الهيكلية (Skeletal Rigging)، ونمذجة العضلات، وتخليق الفراء عالي الدقة. تتطلب هذه العمليات فنانين ذوي خبرة لضبط التشوهات الدقيقة والمحاكاة الفيزيائية المعقدة يدويًا لضمان الواقعية. وبينما طورت نماذج الانتشار التوليدية (Generative Diffusion Models) سير العمل الفني، إلا أن تطبيقها على محاكاة الحيوانات عالية الدقة لا يزال غير مستكشف بشكل كافٍ بسبب عقبتين رئيسيتين:

1. ندرة البيانات: هناك نقص في البيانات عالية الجودة المقترنة (شبكات خشنة مقترنة بفيديوهات واقعية للفراء/العضلات) اللازمة لتدريب نماذج الانتشار بفعالية.
2. تعقيد المحاكاة: تعتمد طرق توليد الفيديو المرجعية الحالية غالبًا على صور مفردة، والتي تفشل في التقاط التعقيد الهندسي لألياف الفراء الكثيفة وتفاعلات الضوء والشعر المعقدة. علاوة على ذلك، تعاني نماذج الانتشار القياسية من صعوبة في الحفاظ على الاتساق الهيكلي (حركة الهيكل العظمي) مع نقل التفاصيل النسيجية المعقدة (الفراء/العضلات) دون تداخل الميزات.

2. المنهجية

MoZoo هو مُحلل ديناميكيات توليدي مصمم لتجاوز مراحل الصقل التقليدية، حيث يقوم بتخليق فيديوهات حيوانات واقعية مباشرة من مدخلات الشبكة الخشنة (Coarse Mesh) تحت توجيه متعدد الوسائط (نص، صور، أو فيديوهات). يعتمد الإطار على بنية Wan2.1 DiT (محول الانتشار - Diffusion Transformer) ويقدم ثلاثة ابتكارات جوهرية:

أ. MoZoo-Data: مسار من الاصطناعي إلى الواقعي

لمعالجة فجوة البيانات، أنشأ المؤلفون MoZoo-Data، وهو مجموعة بيانات ضخمة تضم 62,000 تسلسل مقترن.

• التوليد الاصطناعي: باستخدام Unreal Engine 5 (UE5)، قاموا بتصيير (Rendering) شبكات حيوانات متنوعة مع وبدون أنسجة لإنشاء أزواج متوافقة تمامًا من الهندسة الخشنة ($V_{mesh}$) والفيديوهات عالية الدقة ($V_{tar}$).
• الرسم العكسي للبيانات الواقعية: إدراكًا للفجوة بين المجال الاصطناعي والواقعي، قاموا بتدريب نموذج توليدي عكسي على البيانات الاصطناعية. يستخرج هذا النموذج تسلسلات الشبكة الخشنة المقدرة من أفلام وثائقية واقعية عالية الدقة للحياة البرية.
• بناء المرجع: يتم إنشاء فيديوهات مرجعية ($V_{ref}$) عن طريق أخذ عينات من مقاطع حركة مختلفة لنفس النوع لفرض الفصل بين الهوية والحركة.

ب. تمثيل الموضع الدوار الواعي بالأدوار (RAR-RoPE)

تقوم تمثيلات الموضع الدوارة ثلاثية الأبعاد (3D RoPE) القياسية بتعيين مؤشرات زمنية مستمرة، مما يخلق أولويات زمنية اصطناعية عند دمج تدفقات مدخلات مختلفة (الهدف، الشبكة، المرجع). يقترح MoZoo نظام RAR-RoPE للتعامل مع متطلبات المحاذاة غير المتجانسة:

• المزامنة: تشترك فيديوهات الهدف والشبكة المصدر في مؤشرات زمنية متزامنة لضمان محاذاة الحركة بدقة.
• الفصل: يتم تعيين محتوى المرجع (صور أو فيديوهات) بإزاحة زمنية ثابتة ($\Delta$)، مما يضعها فعليًا قبل رموز الهدف الصاخبة. هذا يمنع النموذج من الخلط بين الديناميكيات الزمنية للمرجع والهدف.
• الترسيخ المكاني: يتم تثبيت الأقنعة (Masks) عند المؤشر صفر للحفاظ على دورها الهيكلي.

ج. الانتباه المنفصل غير المتماثل (Asymmetric Decoupled Attention - ADA)

لمنع تداخل الميزات بين الإشارات الهيكلية القوية للشبكة والتفاصيل عالية التردد للفراء، يقدم MoZoo نظام الانتباه المنفصل غير المتماثل.

• التقسيم: يتم تقسيم التسلسل الكامن إلى أربعة أجزاء: الهدف ($x_{tgt}$)، توجيه الشبكة ($x_{mesh}$)، القناع ($x_{msk}$)، والمرجع ($x_{ref}$).
• التدفق أحادي الاتجاه: يفرض هذا الآلية تدفق معلومات أحادي الاتجاه؛ حيث تجمع استعلامات (Queries) الهدف المعلومات من جميع الوسائط، لكن فروع التوجيه (الشبكة والمرجع) تكون معزولة، حيث تحسب الانتباه فقط ضمن فضاءاتها الفرعية الخاصة.
• المحاذاة لكل إطار: يهتم كل إطار من إطارات الهدف حصريًا بمفاتيحها الهيكلية المقابلة ($k_{mesh, i}$) بدلاً من تسلسل الشبكة بأكمله، مما يضمن مزامنة زمنية صارمة مع منع الضوضاء في تسلسل الهدف من إفساد إشارات التوجيه النظيفة.

3. المساهمات الرئيسية

1. إطار عمل MoZoo: إطار عمل جديد لانتشار الفيديو يستبدل مراحل محاكاة CG المكلفة والتقليدية، حيث يقوم بتوليد فيديوهات حيوانات عالية الدقة مباشرة من الشبكات الخشنة مع ديناميكيات عضلات وفراء واقعية. وهو يدعم التوجيه متعدد الوسائط للتحكم المرن.
2. MoZoo-Data & MoZooBench: تقديم مجموعة بيانات واسعة النطاق (62 ألف مقطع) تم إنشاؤها عبر مسار من الاصطناعي إلى الواقعي، بالإضافة إلى معيار شامل (120 زوجًا من الشبكة والفيديو) لتقييم رندرة فراء الحيوانات، وهي متاحة للجمهور.
3. الابتكارات المعمارية: اقتراح RAR-RoPE لحل تحديات المحاذاة متعددة الوسائط، والانتباه المنفصل غير المتماثل لفصل التوجيه الهيكلي عن المعلومات النسيجية، مما يقلل بشكل كبير من العبء الحوسبي مع تحسين الدقة.

4. النتائج التجريبية

قام المؤلفون بتقييم MoZoo على MoZooBench مقابل الطرق الرائدة (VACE, Refacade) والنسخ المختبرة من نموذجهم.

• الأداء الكمي: تفوق Mozoo باستمرار على النماذج المرجعية في الدقة الهيكلية (PSNR, SSIM) والمحاذاة المرجعية (LPIPS). وتحديدًا، حقق النسخة المشروطة بالفيديو PSNR قدره 20.75 وLPIPS قدره 0.070، متفوقًا على النماذج المشروطة بالصور.
• الأداء النوعي: أظهرت المقارنات البصرية أن MoZoo يحافظ على تفاصيل الفراء عالية التردد ويحافظ على الاتساق الزماني المكاني، بينما أنتجت النماذج المرجعية غالبًا نتائج مفرطة النعومة أو فشلت في مطابقة الأنسجة للمناطق التشريحية الصحيحة.
• دراسات الاستئصال (Ablation Studies): أدى إزالة RAR-RoPE إلى حدوث انزياح مكاني في الميزات التشريحية، بينما أدى إزالة ADA إلى فقدان التفاصيل الدقيقة بسبب طغيان الإشارات الهيكلية على أنسجة الفراء. وأثبتت الوسائط المشروطة بالفيديو تفوقها على الإعدادات المشروطة بالصور، خاصة في حالات تغير زاوية الرؤية الكبيرة.
• النقل عبر الأنواع (Cross-Species Transfer): أظهر النموذج قدرات إعادة تغليف (Re-skinning) صفرية، حيث نجح في نقل الأنسجة البيولوجية من نوع إلى نوع آخر مع الحفاظ على التماسك التشريحي.

5. الأهمية والادعاءات

يزعم البحث أن MoZoo يقلل بشكل كبير من الجهد اليدوي والتكلفة الحوسبية المرتبطة بإنتاج شخصيات الحيوانات عالية الدقة. ومن خلال دمج ديناميكيات العضلات والفراء في عملية توليدية شاملة، فإنه يسد الفجوة بين الإنتاج منخفض التكلفة والجودة البصرية ذات المستوى الصناعي.

يشير المؤلفون إلى أنه بينما يحقق الأسلوب دقة نسيجية واتساقًا فائقين عبر أنواع متنوعة، لا تزال هناك تحديات في التعامل مع التفاعلات المعقدة بين الحيوانات والانسداد الشديد. يهدف العمل المستقبلي إلى تعميم الإطار ليشمل محاكاة الشعر والفراء الشاملة، بما في ذلك شعر الإنسان والألياف الاصطناعية. كما يقر المؤلفون بالمخاطر الأخلاقية المحتملة المتعلقة بتوليد صور رمزية رقمية غير مصرح بها أو التزييف العميق (Deepfakes) مع انتقال هذه التقنية إلى المواضيع البشرية.