تخيل أنك تحاول بناء نموذج ثلاثي الأبعاد مثالي لجسم بشري، ولكن ليس لديك سوى كومة فوضوية وغير مكتملة من النقاط (سحابة نقاط) مأخوذة من شخص حقيقي. هذا تحدٍ هائل في مجال الرؤية الحاسوبية، وهو المجال الذي تتعلم فيه الحواسيب كيف "ترى" وتفهم العالم ثلاثي الأبعاد. لعقود من الزمن، حاول العلماء حل هذه المعضلة عبر معاملتها كمسألة رياضية ذات إجابة واحدة صحيحة: حيث يفترضون وجود طريقة واحدة مثالية لتمديد قالب جسم قياسي ليتناسب مع تلك النقاط الفوضوية. لكن في الواقع، العالم فوضوي. الكاميرات ترتكب أخطاء، والناس قد يُحجب جزء منهم عن الرؤية، وجلودنا وعضلاتنا تتماوج وتتمدد بطرق ليست متوقعة تماماً. إن محاولة فرض إجابة "متوسطة" واحدة غالباً ما تؤدي إلى أجسام غريبة وغير منطقية—مثل ساق تختفي أو ذراع تمر عبر الصدر.

لإصلاح ذلك، يتجه الباحثون إلى نوع جديد من الذكاء الاصطناعي يسمى "نماذج الانتشار" (Diffusion Models). يمكنك التفكير في هذه النماذج كآلة تنقية سحرية. تخيل صورة مغطاة بضجيج يشبه الثلج الساكن؛ يتعلم نموذج الانتشار كيفية مسح هذا الثلج ببطء، خطوة بخوة، حتى تظهر الصورة الواضحة تحتها. عادةً ما تُستخدم هذه النماذج لإنشاء فن جديد من العدم، ولكن ماذا لو لم نستخدمها فقط للإنشاء، بل للإصلاح أيضاً؟ ماذا لو استطعنا أخذ مسح ثلاثي الأبعاد مشوش ومكسور واستخدام سحر "التنقية" هذا لتحديد الشكل الأكثر واقعية ومنطقية للشخص الموجود تحت هذا الضجيج، حتى لو كانت أجزاء منه مفقودة؟ هذا هو السؤال الكبير الذي تعالجه هذه الورقة البحثية: بدلاً من تخمين إجابة واحدة، هل يمكننا تعليم الكمبيوتر تخيل مجموعة كاملة من الاحتمالات الواقعية والمعقولة؟

المشكلة: التخمين "المتوسط" الذي يفشل

لفترة طويلة، حاول علماء الحاسوب مطابقة (أو محاذاة) جسم بشري ثلاثي الأبعاد عبر معاملته كمهمة انحدار (Regression). بلغة بسيطة، كانوا يسألون الكمبيوتر: "إليك مسحاً فوضوياً لشخص ما؛ من فضلك أخبرنا بالموقع الدقيق الوحيد لكل نقطة من نقاط قالب جسمنا القياسي".

المشكلة هي أن هذا النهج يفترض وجود إجابة واحدة صحيحة فقط. لكن في العالم الحقيقي، لا يوجد شيء من هذا القبيل. إذا فاتَت الكاميرا ذراع الشخص اليسرى، أو إذا كان الشخص يرتدي ملابس فضفاضة، فإن الكمبيوتر لن يعرف بالضبط أين يجب أن تكون تلك الذراع. وعندما يُجبر على اختيار إجابة واحدة فقط، يصاب الكمبيوتر بالذعر ويختار الإجابة "المتوسطة". قد يضع الذراع المفقودة في منتصف المسافة بين مكانها المفترض وبين جذع الشخص، مما ينتج عنه جسم يبدو وكأنه يذوب أو لديه ساق عالقة داخل معدته. الأمر يشبه محاولة تخمين الشكل الدقيق لسحابة عبر حساب متوسط جميع السحب التي رأيتها من قبل؛ ستحصل على كتلة ضبابية لا تشبه أي شيء حقيقي.

الحل: ODin، الحالم "المنظم"

قرر مؤلفو هذه الورقة، ماتيا ماسييرو وفريقه، التوقف عن طلب إجابة واحدة والبدء في طلب "توزيع" من الإجابات. لقد بنوا نظاماً جديداً يسمى ODin (الانتشار المنظم - Ordered Diffusion).

فكر في ODin كالنحات الذكي والصبور جداً الذي يبدأ بكتلة من الطين مشتتة تماماً (ضجيج خالص). وبدلاً من محاولة نحت الشكل النهائي دفعة واحدة، يقوم ODin بتقشير الضجيج ببطء، خطوة بخبث، ليكشف عن الجسم الموجود تحته. ولكن هنا تكمن الخدعة السحرية: على عكس الطرق الأخرى التي قد تصيب الشكل الصحيح ولكنها تفقد تتبع "أي جزء" ينتمي لأي مكان، يحافظ ODin على ترتيب صارم. فهو يعلم أن النقطة رقم 50 في قائمته يجب أن تكون دائماً المرفق الأيسر، وأن النقطة رقم 100 يجب أن تكون الركبة اليمنى. هذا "الترتيب" أمر بالغ الأهمية لأنه يسمح للكمبيوتر بربط المسح الفوضوي بقالب جسم بشري قياسي بشكل مثالي.

كيف "يرى" ODin العالم

لتوجيه عملية التنقية هذه، يستخدم ODin ثلاثة أنواع مختلفة من القرائن، أو "التكييف" (Conditioning)، لإخبار الضجيج إلى أين يتجه:

1. الصورة الكبيرة (العالمية/Global): ينظر إلى المسح بأكمله لفهم الشكل العام. هل هو شخص طويل؟ أم قصير؟
2. التفاصيل (المحلية/Local): ينظر إلى أماكن محددة. إذا أظهر المسح وجود كتف، فإنه يخبر الضجيج القريب من منطقة الكتف: "مهلاً، عليك التحرك إلى هنا".
3. الهوية (المكانية/Positional): يتذكر بطاقة الهوية لكل نقطة بمفردها. فهو يعلم أن النقطة رقم 1 هي الأنف والنقطة رقم 689 هي القدم اليسرى، لذا لا يرتبك أبداً بشأن مكان الأشياء.

تشير الورقة إلى أنه من خلال دمج هذه القرائن الثلاث، يمكن لـ ODin توجيه النقاط المشوشة إلى مواقعها الصحيحة دون الحاجة لرؤية الجسم كاملاً بشكل مثالي. وحتى لو كان هناك طرف مفقود من المسح، فإن ODin لا يكتفي بتخمين المتوسط؛ بل يأخذ عينات من توزيع الاحتمالات. وهذا يعني أنه يمكنه إنشاء عدة نسخ واقعية مختلفة لهذا الطرف المفقود، بدلاً من نسخة واحدة مكسورة ومتوسطة.

ما الذي وجدوه

اختبر الفريق نظام ODin على بيانات حقيقية، بما في ذلك عمليات مسح لأشخاص فقدوا أطرافهم أو كانوا مرئيين جزئياً فقط. كانت النتائج مبهرة:

• دقة أفضل: تفوق ODin على أفضل الطرق الحالية (مثل NICP)، حيث قلل الخطأ بشكل كبير. في الاختبارات على مجموعة بيانات DFAUST، حقق ODin خطأً قدره 1.15 سم (قبل الصقل النهائي) مقارنة بـ 1.47 سم للطريقة الأفضل السابقة.
• السرعة: لم يكن أكثر دقة فحسب، بل كان أسرع أيضاً. أكمل ODin عملية المطابقة في حوالي 9 ثوانٍ، بينما استغرقت الطريقة القديمة 35 ثانية. أي أنه أسرع بأكثر من ثلاث مرات.
• التعامل مع الأجزاء المفقودة: عندما كانت هناك ساق مفقودة من المسح، كانت الطرق القديمة غالباً ما تنتج "ساق شبحية" تبدو كأنها جذع أو تمر عبر الجسم. ومع ذلك، أنتج ODin وضعية واقعية تحترم المعلومات المفقودة، مما خلق شكلاً جسدياً معقولاً لا يبدو مكسوراً.

كما أجرى المؤلفون تجربة "ماذا لو". حاولوا إزالة القرائن "المحلية" (الفحوصات التفصيلية للمواقع) أو "الترتيب" (بطاقات الهوية للنقاط). وعندما فعلوا ذلك، فشل النظام تماماً. فبدون الترتيب، انهار الجسم وتحول إلى فوضى؛ وبدون التفاصيل المحلية، أصبح الشكل ضبابياً للغاية. وقد أثبت هذا أن المكونات الثلاثة كانت ضرورية لنجاح السحر.

الخلا الخلاصة

تشير هذه الورقة إلى أن معاملة تسجيل الجسم ثلاثي الأبعاد كـ "لعبة تخمين" ذات إجابة واحدة صحيحة هو طريق مسدود. بدلاً من ذلك، من خلال استخدام نماذج الانتشار لاستكشاف نطاق كامل من الاحتمالات، يمكننا إنشاء نماذج ثلاثية الأبعاد ليست أكثر دقة فحسب، بل أكثر واقعية أيضاً، حتى عندما تكون البيانات المدخلة فوضوية أو غير مكتملة. وبينما يشير المؤلفون إلى أن نظامهم قد لا يزال يواجه صعوبات في البيئات المزدحمة للغاية (مثل غرفة مليئة بالأثاث)، إلا أنهم فتحوا باباً جديداً لكيفية تعليم الحواسيب فهم الجسم البشري في عالمنا الحقيقي غير المثالي. إنهم يقترحون أن هذا النهج التوليدي هو اتجاه واعد، وهو اتجاه ينقلنا من التخمينات المتوسطة الجامدة نحو إعادة بناء مرنة وذكية.