💻 computer science

EverAnimate: Minute-Scale Human Animation via Latent Flow Restoration

يُعد EverAnimate طريقة فعالة لما بعد التدريب تتيح تحريك البشر على نطاق الدقائق من خلال الجمع بين الانتشار الكامن المستمر ومطابقة التدفق الترميمي لترسيخ التوليد في ذاكرة سياقية كامنة، مما يؤدي إلى القضاء على الانجراف البصري والدلالي المتراكم مع الحفاظ على هوية الشخصية وجودة الخلفية.

المؤلفون الأصليون: Wuyang Li, Yang Gao, Mariam Hassan, Lan Feng, Wentao Pan, Po-Chien Luan, Alexandre Alahi

نُشر 2026-05-15

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Wuyang Li, Yang Gao, Mariam Hassan, Lan Feng, Wentao Pan, Po-Chien Luan, Alexandre Alahi

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 تحاول تصوير فيلم طويل ومتواصل لراقصة تؤدي رقصة معقدة. لديك صورة للراقصة (المرجع) ونص لحركاتها (الوضعيات). هدفك هو إنشاء فيديو يتبع النص بدقة مع الحفاظ على مظهر الراقصة تماماً كما في الصورة، حتى بعد 90 ثانية من الرقص.

تعالج ورقة بحثية بعنوان EverAnimate مشكلة محددة: عندما يحاول الذكاء الاصطناعي إنشاء فيديوهات طويلة كهذه، فإنها تميل إلى "الانحراف" والابتعاد عن الأصل، تماماً مثل النسخة من نسخة من نسخة التي تصبح في النهاية ضبابية وغير قابلة للتمييز.

إليك كيف تشرح الورقة البحثية المشكلة وحلها، باستخدام تشبيهات بسيطة:

المشكلة: خلل "النسخ واللصق"

تحاول الطرق الحالية إنشاء فيديوهات طويلة عن طريق دمج مقاطع قصيرة (كتل). تخيل أنك تقوم بنسخ فقرة نصية، ثم تنسخ تلك النسخة لتصنع الفقرة التالية، وهكذا.

انحراف الخلفية (مستوى منخفض): من المفترض أن تظل الخلفية (مثل جدار أو شجرة) ثابتة. ولكن لأن الذكاء الاصطناعي يستمر في إعادة نسخ الصورة لبدء المقطع التالي، يبدأ الجدار في الظهور بشكل ضبابي، وتتغير الألوان، وفي النهاية يبدو كأنه نسخة ضوئية سيئة.
انحراف الهوية (مستوى عالٍ): من المفترض أن تبدو الراقصة كما هي. ولكن مع طول الفيديو، قد يتغير شكل وجه الراقصة ببطء، أو يتغير لون ملابسها، أو يبدو شعرها مختلفاً. إنهم يفقدون "هويتهم".

تجادل الورقة بأن الطرق الموجودة تحاول إصلاح ذلك عبر إظهار الصورة الأصلية للذكاء الاصطناعي مراراً وتكراراً (مثل "مصب" أو مرساة)، لكن هذا ليس كافياً. لا يزال الذكاء الاصطناعي يصاب بالارتباك بسبب عملية النسخ المتكررة.

الحل: EverAnimate

تقترح الورقة طريقة جديدة لإنشاء هذه الفيديوهات تحدث بالكامل داخل "عقل" الذكاء الاصطناعي (المجال الكامن - latent space) بدلاً من إعادة تصوير الفيديو. يستخدمون حيلتين رئيسيتين:

1. "حقيبة الظهر المستمرة" (الانتشار الكامن المستمر)

بدلاً من أخذ مخرجات الفيديو، وتحويلها مرة أخرى إلى صورة، ثم تغذية هذه الصورة مرة أخرى في الذكاء الاصطناعي للمقطع التالي (مما يسبب أخطاء "النسخ واللصق")، يحتفظ EverAnimate بـ حقيبة ظهر للذاكرة داخل الذكاء الاصطناعي.

كيف يعمل: عندما ينتهي الذكاء الاصطناعي من كتلة واحدة من الفيديو، فإنه لا ينظر إلى الصورة النهائية. بدلاً من ذلك، يقوم بتمرير "حقيبة ظهر" من البيانات الخام (الأكواد الكامنة) إلى الكتلة التالية.
ماذا يوجد في الحقيبة؟
- ذاكرة قصيرة المدى: الثواني القليلة الأخيرة من الحركة للحفاظ على سلاسة الرقص.
- ذاكرة طويلة المدى: مجموعة من "بطاقات الهوية" (صور متعددة الزوايا) لوجه الراقصة وملابسها لضمان عدم تغير مظهرها أبداً.
التشبيه: تخيل سباق تتابع. بدلاً من أن يسلمك العداء صورة ضبابية للعداء السابق لتقوم بنسخها، فإنه يسلمك شريحة بيانات مباشرة وعالية الجودة تخبرك بكيفية مواصلة السباق بدقة دون فقدان ملامح العداء الأصلي.

2. "البوصلة ذاتية التصحيح" (مطابقة التدفق الاستردادي)

حتى مع وجود حقيبة ظهر جيدة، قد ينحرف الذكاء الاصطناعي أحياناً عن المسار أثناء إنشاء مقطع واحد.

المشكلة: إذا بدأ الذكاء الاصطناعي في الانحراف قليلاً عن المسار (على سبيل المثال، بدا ذراع الراقصة غريباً بعض الشيء)، فإن الطرق القياسية تستمر في المضي قدماً، مما يجعل الخطأ يزدهاد سوءاً.
الإصلاح: يتم تدريب EverAnimate باستخدام "بوصلة" خاصة. أثناء التدريب، يُعطى الذكاء الاصطناعي عمداً مساراً "مكسوراً" أو مشوهاً قليلاً ليتبعه. يتعلم الذكاء الاصطناعي التعرف على كونه خارج المسار الصحيح، ويعمل بنشاط لتوجيه نفسه عائداً إلى المسار الصحيح والنظيف.
التشبيه: فكر في متنزّه يمشي في الضباب. المتنزّه العادي قد يهيم بعيداً نحو منحدر لأنه لا يستطيع رؤية الطريق. EverAnimate يشبه المتنزّه الذي يمتلك نظام GPS يهتز كلما خطا خطوة خارج المسار، ليدفعه بلطف للعودة إلى المسار الآمن قبل أن يضيع.

النتائج

تزعم الورقة البحثية أنه باستخدام هاتين الطريقتين (حقيبة ذاكرة الظهر والبوصلة ذاتية التصحيح)، يمكن لـ EverAnimate إنشاء فيديوهات تصل مدتها إلى دقائق (90 ثانية في اختباراتهم) دون أن تصبح الخلفية ضبابية أو يتغير وجه الشخصية.

الفيديوهات القصيرة (10 ثوانٍ): هي بالفعل أفضل من أفضل الطرق الموجودة حالياً.
الفيديوهات الطويلة (90 ثانية): التحسن هائل. يظل الفيديو حاداً، والخلفية مستقرة، وتظل الشخصية تبدو تماماً كما هي من البداية إلى النهاية.

الملخص

باختصار، يمنع EverAnimate الذكاء الاصطناعي من صنع "نسخ من النسخ" للفيديو. بدلاً من ذلك، يحتفظ بذاكرة رقمية عالية الجودة للشخصية والمشهد، ويدرب الذكاء الاصطناعي على إصلاح أخطائه أثناء العمل، مما يسمح بإنشاء رسوم متحركة سلسة وعالية الجودة لمدة دقيقة كاملة دون أن تنهار.

ملخص تقني لـ EverAnimate: تحريك البشر على مقياس الدقيقة عبر استعادة التدفق الكامن

1. بيان المشكلة

تتناول الورقة البحثية تحدي توليد فيديوهات تحريك بشرية طويلة المدى (بمقياس الدقيقة)، موجهة بالوضعية (pose-guided)، مع الحفاظ على دقة بصرية عالية واتساق في هوية الشخصية. تعاني الطرق الحالية، التي تعتمد عادةً على التوليد المتتابع عبر أجزاء (chunk-wise generation)، من تراكم الانحراف (accumulated drift) بمرور الوقت. وقد حدد المؤلفون نوعين متميزين من الانحراف:

انحراف الجودة منخفض المستوى (Low-level Quality Drift): تدهور تدريجي في الخلفيات الثابتة والأنسجة ناتج عن عمليات فك التشفير وإعادة التشفير المتكررة (رحلات VAE الذهاب والإياب) للإطارات المنقولة بين الأجزاء.
الانحراف الدلالي عالي المستوى (High-level Semantic Drift): عدم اتساق في هوية الشخصية، والمظهر الوجهي، وتفاصيل الملابس، لا سيما في المناطق التي تشهد حركة كبيرة.

ويجادل المؤلفون بأن الحلول الحالية، مثل "بالوعات الانتباه" (attention sinks) -التي تستخدم إطاراً مرجعياً كمرساة عالمية- أو "إعادة تدوير الخطأ"، غير كافية. فبالوعات الانتباه تعمل كإشارات سلبية تحدد ما يجب الحفاظ عليه، لكنها تفشل في تصحيح انحرافات المسار بشكل نشط، بينما تؤدي الاستمرارية المتكررة في مساحة الصورة حتماً إلى إتلاف التفاصيل البصرية في المناطق الثابتة.

2. المنهجية: EverAnimate

إن EverAnimate هو إطار عمل فعال لما بعد التدريب (post-training)، مصمم لتثبيت التوليد طويل المدى عبر العمل مباشرة في المساحة الكامنة (latent space) بدلاً من مساحة الصورة. وهو يقدم آليتين متكاملتين:

أ. الانتشار الكامن المستمر (Persistent Latent Propagation - PLP)
بدلاً من فك تشفير فيديو الجزء السابق، واستخراج الإطار الأخير، ثم إعادة تشفيره (خط أنابيب النقل القياسي)، يقوم EverAnimate بنشر الذاكرة الكامنة (latent memory) مباشرة عبر الأجزاء.

ذاكرة الحركة ( $M_{mot}$ ): تحافظ على الاستمرارية الزمنية قصيرة المدى عبر نشر آخر $r$ من الشرائح الكامنة من الجزء السابق.
ذاكرة الهوية ( $M_{id}$ ): تثبت الهوية متعددة الزوايا عبر جميع الأجزاء. ويتم بناء هذه الذاكرة عن طريق تشفير مجموعة صغيرة من الإطارات المختارة من جزء السياق.
تعزيز الذاكرة: لمنع التحيز المكاني حيث قد يفرض سياق الذاكرة تخطيطاً مكانياً معيناً للإطار المولد دون قصد، يطبق المؤلفون عمليات تعزيز مكاني طفيفة (ترجمة عشوائية وتغيير حجم) لذاكرة الهوية أثناء التدريب.
الحقن: يتم دمج هذه الذكريات مع الكوامن المستهدفة الموجهة بالوضعية لتشكيل مدخلات محول الانتشار (DiT)، مما يضمن اعتماد النموذج على معلومات دلالية مستمرة دون إعادة بناء مدمرة لمساحة الصورة.

ب. مطابقة التدفق الترميمية (Restorative Flow Matching - RFM)
لمعالجة الانحراف الذي يحدث داخل الجزء الواحد، يقدم EverAnimate هدف ترميم ضمني أثناء عملية أخذ العينات.

المفهوم: تقوم مطابقة التدفق (Flow Matching) القياسية بتدريب النموذج على نقل الضوضاء الغاوسية إلى مساحة البيانات النظيفة. ومع ذلك، في التوليد طويل المدى، قد يواجه النموذج حالات مضطربة بسبب الأخطاء المتراكمة.
الآلية: خلال التدريب، يتم إحداث اضطراب في نقطة النهاية المستهدفة ( $\tilde{X}_1$ ) لمحاكاة الانحراف. ثم يتم تدريب النموذج على التنبؤ بمجال سرعة لا يتبع المسار النظيف فحسب، بل يصحح المسار بنشاط من الحالة المضطربة للعودة إلى نقطة النهاية النظيفة.
تعديل السرعة: يتم تعديل السرعة المستهدفة لتشمل حداً ترميمياً: $\tilde{U}_t = U_t + \lambda(t)(X_t - \tilde{X}_t)$ .
إعادة الجدولة: لمنع عدم استقرار التدريب (حيث يصبح حد التصحيح ضخماً بشكل غير متناسب بالقرب من نقطة النهاية النظيفة)، يتم تطبيق وزن زمني محدود $\lambda(t)$ (جدول زمني على شكل جرس). يضمن هذا أن يكون الترميم في أقوى حالاته في مناطق الضوضاء المتوسطة حيث تكون الاضطرابات غنية بالمعلومات، مع تجنب التصحيح المفرط في حالات الضوضاء العالية أو المنخفضة القصوى.

التدريب والاستنتاج
يستخدم إطار العمل ضبط LoRA خفيف الوزن على نموذج DiT مدرب مسبقاً (Wan-2.2-Animate). يتم التدريب على مرحلتين: (1) تكيف الذاكرة لتعلم الانتشار الكامن، و(2) تكيف مضاد للانحراف باستخدام خسارة مطابقة التدفق الترميمية. أثناء الاستنتاج، يقوم النموذج بتشغيل الأجزاء واحداً تلو الآخر في المساحة الكامنة، مع إعادة استخدام الشرائح الكامنة للجزء التالي دون فك تشفير الإطارات الوسيطة.

3. المساهمات الرئيسية

تحديد المشكلة: يكشف المؤلفون تجريبياً أن الاستمرارية في مساحة الصورة وبالوعات الانتباه غير كافية للتحريك طويل المدى، ويحددون قيوداً محددة في كيفية تعامل الطرق الحالية مع تدهور رحلة VAE الذهاب والإياب والارتساء الدلالي.
مبدأ المساحة الكامنة: يستنتجون مبدأً للتوليد المستقر طويل المدى: يجب نشر الذاكرة الدلالية بشكل متتابع ذاتياً في المساحة الكامنة، ويجب تصحيح الانحراف عبر قدرات ترميم داخلية.
إطار عمل EverAnimate: طريقة لما بعد التدريب تتكون من الانتشار الكامي المستمر (لضمان الاستمرارية عبر الأجزاء) ومطابقة التدفق الترميمية (لضمان الدقة داخل الجزء الواحد)، والتي تتطلب فقط ضبط LoRA خفيف الوزن.

4. النتائج التجريبية

تم تقييم الطريقة على مجموعة بيانات تجمع بين Champ وUBC وSeedance وفيديوهات YouTube مجمعة ذاتياً، مع اختبار الأداء عند مدد 10 ثوانٍ، 30 ثانية، 60 ثانية، و90 ثانية.

الأداء الكمي: يتفوق EverAnimate على أحدث الطرق (بما في ذلك Wan-Animate وUniAnimate-DiT وSteadyDancer) عبر جميع المقاييس.
- عند 10 ثوانٍ، يحسن PSNR بنسبة 8% وSSIM بنسبة 7% عن Wan-Amimate، مع تقليل LPIPS بنسبة 22% وFID بنسبة 11%.
- عند 90 ثانية، تزدزد المكاسب بشكل كبير: يتحسن PSNR/SSIM بنسبة 15% لكل منهما، وينخفض LPIPS/FID بنسبة 32% و27% على التوالي.
- يحقق أعلى درجة في Face-PSNR (F-PSNR)، مما يشير إلى اتساق فائق في الهوية.
الأداء النوعي: تظهر المقارنات البصرية أنه بينما تعاني النماذج المرجعية من تدهور الخلفية ووميض الهوية بمرور الوقت، يحافظ EverAnimate على خلفيات مستقرة وهوية شخصية متسقة طوال التسلسلات التي تصل مدتها إلى دقيقة.
دراسات الاستئصال (Ablation Studies): يؤدي إزالة مطابقة التدفق الترميمية (RFM) إلى خفض الجودة الإدراكية بشكل كبير، بينما يؤدي إزالة الانتشار الكامي المستمر (PLP) إلى إضعاف الاستمرارية عبر الأجزاء، مما يؤكد ضرورة كلا المكونين.

5. الأهمية والادعاءات

تدعي الورقة أن EverAnimate يمثل تحولاً من الاستمرارية في مساحة الصورة إلى التحكم في الحالة الكامنة للتحريك طويل المدى. من خلال فصل انتشار الذاكرة الدلالية عن دورة فك وإعادة تشفير الصور المدمرة، ومن خلال تزويد النموذج بقدرة جوهرية على تصحيح انحراف المسار، يُمكّن EverAnimate من توليد فيديوهات بمقياس الدقيقة لم تكن قابلة للتحقيق سابقاً بدقة عالية. ويضع المؤلفون هذا كحل لعدم التماثل المحدد بين التدريب والاختبار (train-test asymmetry) في التحريك الموجه بالوضعية، حيث يفشل التوليد طويل المدى بسبب الأخطاء المتراكمة في كل من بنية الحركة والتركيب البصري.