GS-Voxel: Fitting-Free Structured Latents for Large-Scale 3DGS Generation
يقدم GS-Voxel إطار عمل خالٍ من الملاءمة يحول عمليات إعادة بناء "Gaussian Splatting" ثلاثية الأبعاد المُحسّنة مسبقاً إلى كامنات فوكسل (voxel latents) متفرقة ومنظمة، مما يتيح توليد مشاهد جوية ثلاثية الأبعاد واسعة النطاق وقابلة للتوسع ومشروطة بالصور دون الحاجة إلى تحسين لكل مشهد على حده.
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 محاولة التقاط كامل نسيج غابة، والمنحنى الدقيق لكل سقف، والطريقة التي يسقط بها الضوء على آلاف النوافذ المختلفة، كل ذلك في نموذج رقمي واحد. لعقود من الزمن، كافح العلماء لإنشاء مثل هذه العوالم ثلاثية الأبعاد فائقة التفاصيل التي تكون أيضاً صغيرة بما يكفي للتخزين وسريعة بما يكفي للتوليد. تعتمد الطرق التقليدية غالباً على بناء شبكات سلكية معقدة، وهي ممتازة للأسطح الملساء مثل السيارات أو التماثيل، لكنها سيئة جداً في التعامل مع الواقع الفوضوي والمضطرب للأشجار والشجيرات والحطام المتناثر. يقدم نهج جديد، يُعرف باسم "تشتت غاوس ثلاثي الأبعاد" (3D Gaussian Splatting)، حلاً لهذا الأمر عبر تمثيل المشهد ليس كجسم صلب، بل كسحابة هائلة من ملايين الأشكال البيضاوية الصغيرة والملونة والدوارة. تعمل هذه الأشكال البيضاوية مثل بكسلات فردية تطفو في الفضاء ثلاثي الأبعاد، مما يسمح للحواسيب بتوليد صور واقعية للغاية للبيئات الخارجية المعقدة. ومع ذلك، بينما تعد هذه الطريقة ممتازة لالتقاط مشهد بمجرد وجوده، فمن الصعب جداً تعليم الكمبيوتر ابتكار مشاهد جديدة من الصفر. تكمن المشكلة في أن هذه السحب من الأشكال البيضاوية غير منظمة؛ فهي لا تملك شكلاً ثابتاً، وأعدادها تتباين بشكل هائل من مشهد لآخر، وهي مبعثرة بطرق لا تستطيع البرامج الحاسوبية القياسية فهمها أو التنبؤ بها بسهولة.
هذا هو التحدي الذي سعى الباحثون في "أماب" (Amap)، وشركة علي بابا، وجامعة تشجيانغ، وجامعة بكين لحله. لقد طوروا نظاماً جديداً يسمى "GS-Voxel"، مصمماً خصيصاً لتوليد مشاهد جوية واسعة النطاق وواقعية للمدن والمناظر الطبيعية. يكمن جوهر ابتكارهم في عملية "خالية من الملاءمة" (fitting-free) تأخذ نموذجاً ثلاثي الأبعاد موجوداً بالفعل، عالي التفاصيل، وتعيد تنظيمه في تنسيق مهيكل دون الحاجة إلى إعادة بناء المشهد أو إعادة تحسينه من الصفر. في الماضي، لجعل هذه السحب الفوضوية من الأشكال البيضاوية قابلة للاستخدام من قبل الذكاء الاصطناعي التوليدي، كان على العلماء إجبارها على الدخول في صندوق محدد مسبقاً أو إعادة ترتيبها باستخدام حيل رياضية معقدة غالباً ما كانت تشوه التفاصيل الأصلية. يتجنب الأسلوب الجديد هذا تماماً؛ فبدلاً من إجبار المشهد على قالب ثابت، يقوم النظام ببساطة بتقسيم العالم إلى شبكة من الكتل ثلاثية الأبعاد غير المرئية، أو ما يعرف بالـ "فوكسل" (voxels). ثم ينظر داخل كل كتلة، ويعد الأشكال البيضاوية، ويحتفظ بالأكثر أهمية منها، مستبعداً البقية. والأهم من ذلك، أنه يفعل ذلك دون تغيير موقع أو لون الأشكال البيضاوية التي تم الاحتفاظ بها، مما يحافظ على التفاصيل الدقيقة للالتقاط الأصلي.
بمجرد تنظيم المشهد في هذه الكتل المرتبة، يستخدم الباحثون نموذج تعلم آلي متخصص لضغط المعلومات. فكر في هذا النموذج كـ "مترجم" يحول البيانات المرئية للأشكال البيضاوية ثلاثية الأبعاد إلى رمز مدمج ومهيكل يمكن للذكاء الاصطناعي التوليدي قراءته وتعلمه بسهولة. يفصل هذا الرمز بين شكل العالم (أي الكتل المشغولة) والتفاصيل الموجودة بداخلها (اللون والموقع للأشكال البيضاوية). ومن خلال التدريب على آلاف من هذه المشاهد ثلاثية الأبعاد المضغوطة، يتعلم الذكاء الاصطناعي التنبؤ بما يجب أن يبدو عليه كتلة مدينة جديدة غير مرئية بناءً على صورة واحدة من الأقمار الصناعية. والنتيجة هي نظام يمكنه توليد بيئات ثلاثية الأبعاد شاسعة ومتماسكة. وقد أثبت الباحثون ذلك من خلال إنشاء مشاهد تغطي مساحات تصل إلى 1400 متر في 800 متر، وهو مقياس يتجاوز بكثير ما يمكن للأساليب السابقة التعامل معه. لقد حققوا ذلك عن طريق توليد المشهد في بلاطات متداخلة ودمجها معاً بسلاسة، مما يضمن بقاء الانتقال بين أجزاء مختلفة من المدينة سلساً وواقعياً.
تكمن أهمية هذا العمل في قدرته على التعامل مع النطاق الهائل وعدم انتظام العالم الحقيقي. فالمحاولات السابقة لتوليد المشاهد ثلاثية الأبعاد كانت تعمل جيداً للأشياء الصغيرة مثل الكراسي أو الغرف، لكنها فشلت عندما واجهت ملايين العناصر الفردية الموجودة في مدينة. أثبت النظام الجديد أنه من الممكن توليد مناظر جوية عالية الدقة تحتوي على ملايين العناصر ثلاثية الأبعاد دون فقدان التفاصيل أو الحاجة لأن "يخمن" الكمبيوتر ترتيب كل قطعة بمفردها. وجد الباحثون أن طريقتهم يمكن أن تنتج مشاهد بمستوى جودة بصرية يطابق البيانات الواقعية عن كثب، حيث تلتقط كثافة المباني ونسيج النباتات بدقة مذهلة. كما أظهروا أن النظام يمكن توجيهه بواسطة صورة واحدة من قمر صناعي، مما يسمح له بتخليق نموذج ثلاثي الأبعاد كامل لكتلة مدينة لم تُشاهد من قبل. وهذا يفتح الباب لإنشاء توائم رقمية تفاعلية ضخمة للعالم لتطبيقات مثل التخطيط الحضري، ومحاكاة الكوارث، والملاحة، حيث يكون امتلاك عرض ثلاثي الأبعاد واسع النطاق وواقعي أمراً ضرورياً.
ومع ذلك، فإن للدراسة حدودها؛ فالنظام الحالي مصمم خصيصاً للمشاهد الخارجية التي تُرى من الأعلى، مثل المدن والمناظر الطبيعية، ويعتمد على نوع معين من بيانات الألوان التي تعمل بشكل أفضل لهذه الزوايا. لم يتم اختباره بعد في البيئات الداخلية أو مشاهد مستوى الشارع، حيث تختلف زوايا الكاميرا وأنواع الأشياء بشكل كبير. علاوة على ذلك، وبينما يمكن للنظام توليد هذه المشاهد بسرعة، يشير الباحثون إلى أن الجودة تعتمد بشدة على توافر بيانات تدريب عالية الجودة، والتي قد يكون من الصعب الحصول عليها لكل موقع محتمل على الأرض. ورغم هذه القيود، يمثل هذا العمل خطوة كبيرة للأمام في جعل التوليد ثلاثي الأبعاد واسع النطاق أمراً عملياً. فمن خلال إيجاد طريقة لتنظيم فوضى بيانات العالم الحقيقي في تنسيق يمكن للحواسيب تعلمه، قدم الباحثون أساساً جديداً لبناء الخرائط الرقمية للمستقبل. إن القدرة على توليد عوالم ثلاثية الأبعاد شاسعة ومفصلة من صور بسيطة تشير إلى مستقبل يمكننا فيه محاكة واستكشاف أماكن لم نزرها قط، وكل ذلك بمستوى من الواقعية كان بعيد المنال في السابق.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.