TGRHuman: Text-Guided Realistic 3D Human Generation via Diffusion Renderer
يُعد TGRHuman إطار عمل جديداً موجهاً بالنصوص يقوم بتوليد هندسة بشرية ثلاثية الأبعاد وأنسجة عالية الجودة ومتسقة بكفاءة، وذلك عبر فصل عمليات تخليقهما واستخدام توليد ملاحظات متعددة المشاهد صريحة مع مُصيّر انتشار (diffusion renderer)، مما يتغلب على قيود الطرق التقليدية القائمة على تمثيل الحقول العصبية الإشعاعية (NeRF).
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 مهندس معماري يحاول بناء تمثال واقعي وبحجم طبيعي لشخص ما، ولكن ليس لديك سوى جملة واحدة تصفه، مثل "متنزه يرتدي معطفاً أخضر". في عالم رسومات الكمبيوتر، هذا هو "الكأس المقدسة" لـ توليد البشر ثلاثي الأبعاد. لفترة طويلة، كان صنع هؤلاء البشر الرقميين يشبه محاولة نحت الطين وأنت ترتدي قفازات شتوية سميكة؛ حيث كانت النتائج غالباً ما تكون متذبذبة، أو ضبابية، أو تبدو مختلفة اعتماداً على الزاوية التي تشاهدهم منها. التحدي الجوهري يكمن في الموازنة بين ثلاثة أشياء: جعل الشخص يبدو حقيقياً (جودة عالية)، والتأكد من أنه يبدو متسقاً من جميع الجوانب (الاتساق)، والقيام بذلك بسرعة كافية لتكون العملية مفيدة (الكفاءة).
لفهم الحل الجديد، تحتاج إلى معرفة أداتين أساسيتين. أولاً، هناك الانتشار (Diffusion)، وهو نوع من الذكاء الاصطناعي يعمل كفنان رقمي يبدأ بشاشة تلفزيون مليئة بالتشويش ثم يقوم بتنظيفها ببطء حتى تظهر صورة واضحة. ثانياً، هناك NeRF (حقول الإشعاع العصبية)، وهي طريقة تحاول بناء كائنات ثلاثية الأبعاد من خلال التعلم من صور ثنائية الأبعاد، لكنها غالباً ما تكون بطيئة ويمكن أن ترتبك، مما يؤدي إلى ظهور آثار "شبحية" غريبة. السؤال الكبير الذي طرحه الباحثون هو: هل يمكننا استخدام مهارات صنع الصور القوية والسريعة للانتشار لبناء إنسان ثلاثي الأبعاد مثالي دون الوقوع في الفخاخ البطيئة والفوضوية للطرق القديمة؟
إليك TGRHuman، وهو نهج جديد يعمل كحرفي ماهر يقرر التوقف عن محاولة نحت التمثال وطلاء لونه في آن واحد. فبدلاً من الصراع مع عملية واحدة معقدة، قام الباحثون بتقسيم المهمة إلى خطوتين متميزتين وسهلتي الإدارة: أولاً، ينحت الشكل، وثانياً، يلون الجلد.
يقدم البحث طريقة تفصل (decouples) (أي تفصل) بين إنشاء هندسة الإنسان (شكله ثلاثي الأبعاد) وبين نسيجه (جلده وملابسه). في الماضي، حاولت العديد من الطرق القيام بكليهما في وقت واحد باستخدام تقنية تسمى "تقطير الدرجة" (score distillation)، والتي يشبهها المؤلفون بعملية بطيئة ومضنية قد تستغرق ساعات لشخص واحد فقط وغالباً ما تؤدي إلى فوضى ضبابية مفرطة النعومة. يرفض TGRHuman هذا النهج البطيء والشامل، وبدلاً من ذلك، يستخدم خط إنتاج ذكي يتكون من مرحلتين.
أولاً، بالنسبة لـ الهندسة (geometry)، يقوم النظام بتوليد "خرائط طبيعية" (normal maps) عالية الدقة. فكر في الخريطة الطبيعية كنوع خاص من المخططات التي تخبر الكمبيوتر باتجاه كل نتوء صغير على السطح، بدلاً من مجرد إظهار اللون. يقوم الذكاء الاصطناعي بإنشاء أربعة من هذه المخططات (الأمام، الخلف، اليسار، اليمين) بدقة عالية جداً. بعد ذلك، يستخدم استراتيجية "نحت الهندسة". تخيل أخذ كتلة خشنة من الطين (بناءً على نموذج بشري قياسي) واستخدام هذه المخططات لنحت الزوائد. ولأن النظام ينظر إلى الشكل من أربع زوايا مختلفة في وقت واحد، يمكنه نحت تفاصيل معقدة مثل المعاطف الفضفاضة والمتدفقة دون أن ينهار الشكل أو يبدو غريباً. هذه الخطوة سريعة وتنتج شبكة (mesh) ثلاثية الأبعاد صلبة.
ثانياً، بالنسبة لـ النسيج (texture)، يواجه النظام مشكلة أصعب: كيف يتم طلاء الجسم بأكمله دون ترك بقع ناقصة أو حدوث تضارب في الألوان عند التجول حول التمثال. أدرك المؤلفون أن مجرد النظر إلى بضع صور ليس كافياً؛ فأنت بحاجة إلى "معرفة مسبقة بالنسيج" (texture prior)، وهي تشبه مسودة ذهنية لما يجب أن يبدو عليه الزي بالكامل قبل البدء في الطلاء. يقومون أولاً بتوليد عرض أمامي تقريبي للملابس، ثم "يفردونها" على خريطة ثنائية الأبعاد (مثل تقشير الملصق عن علبة صودا وبسطه بشكل مسطح). يقومون بملء الأجزاء المفقودة من هذه الخريطة باستخدام أداة "الترميم بالذكاء الاصطناعي" (inpainting). وبمجرد أن تصبح هذه "الخريطة الرئيسية" جاهزة، يستخدمون مُصيّر انتشار (diffusion renderer). يعمل هذا المُصيّر كجهاز عرض سحري يمكنه أخذ الخريطة الرئيسية وإسقاطها على النموذج ثلاثي الأبعاد من أي زاوية، مما يضمن تطابق الأنماط تماماً سواء كنت تنظر من الأمام أو الجانب أو الخلف.
النتائج مبهرة. يظهر البحث أن TGRHuman يمكنه توليد بشر ثلاثيي الأبعاد متنوعين وواقعيين بملابس فضفاضة (مثل السترات الكبيرة أو التنانير المتدفقة) في حوالي 5 دقائق على شريحة كمبيوتر قوية واحدة. وبالمقارنة، فإن الطرق القديمة التي ينافسها غالباً ما تستغرق ساعة أو ساعتين أو أكثر. ينتج الأسلوب الجديد تفاصيل أكثر حدة وآثاراً "شبحية" أقل في الأماكن التي لا تتطابق فيها أجزاء الجسم. اختبر المؤلفون هذا ضد العديد من الطرق الرائدة الأخرى ووجدوا أن TGRHuman يسجل باستمرار درجات أعلى في مقاييس الجودة البصرية ومدى مطابقة النموذج ثلاثي الأبعاد للوصف النصي.
ومع ذلك، فإن الورقة البحثية صادقة بشأن حدودها. فبينما يعد النظام رائعاً في التعامل مع الملابس الفضفاضة، فإنه يواجه أحياناً صعوبة في التفاصيل الصغيرة جداً وعالية التردد مثل الأصابع الفردية أو خصلات الشعر، والتي قد تبدو أحياناً ملتحمة أو ضبابية، خاصة إذا كان الشخص في وضعية ملتفة للغاية. كما يشير البحث إلى أنه إذا كانت الوضعية هي شيء لم يره الذكاء الاصطناعي من قبل، فقد تبدو النتيجة غريبة بعض الشيء. ولكن بشكل عام، من خلال فصل عملية صنع الشكل عن عملية التلوين واستخدام نهج متعدد الزوايا ذكي، يقدم TGRHuman طريقة أسرع وأنظف لبث الحياة في الأوصاف النصية في شكل ثلاثي الأبعاد، مما يثبت أن أفضل طريقة لبناء إنسان رقمي معقد هي أحياناً أخذ الأمر خطوة بخطوة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.