Subjective and Objective Quality Assessment of Rendered Human Avatar Videos in Virtual Reality
यह शोध पत्र LIVE-Meta Rendered Human Avatar VQA डेटाबेस को पेश करके VR/AR में मानव अवतार वीडियो गुणवत्ता का आकलन करने के लिए विशेष संसाधनों की कमी को संबोधित करता है, जिसमें मानव संवेदी निर्णयों के साथ 720 विकृत वीडियो शामिल हैं, और मौजूदा एवं नए (HoloQA) वीडियो गुणवत्ता भविष्यवाणी मॉडलों का मूल्यांकन करने के लिए इसका उपयोग करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
एक ऐसी दुनिया में कदम रखने की कल्पना करें जहाँ आप एक ऐसे दोस्त से हाथ मिला सकते हैं जो वास्तव में दुनिया के दूसरे छोर पर है, या एक ऐसे कॉन्सर्ट में शामिल हो सकते हैं जहाँ बैंड चमकती, चलती हुई रोशनी से बना है। यह वर्चुअल रियलिटी (VR) और "मेटावर्स" का वादा है, एक डिजिटल ब्रह्मांड जहाँ हम अवतारों—अपने स्वयं के डिजिटल जुड़वाओं—के माध्यम से बातचीत करते हैं। लेकिन इन अवतारों को वास्तविक महसूस करने के लिए, उन्हें उत्तम दिखना होगा। यदि आपका डिजिटल हाथ झिलमिलाता है, या आपके दोस्त का चेहरा हँसते समय बिगड़ जाता है, तो जादू टूट जाता है, और अनुभव सस्ता या यहाँ तक कि घिनौना लगने लगता है।
इन दुनियाओं को चलाने के लिए, वैज्ञानिकों और इंजीनियरों को इंटरनेट के माध्यम से भारी मात्रा में 3D वीडियो डेटा को निकालना पड़ता है, जो एक बगीचे के पाइप के माध्यम से एक विशाल तरबूज को धकेलने की कोशिश करने जैसा है। उन्हें डेटा को कंप्रेस (संपीड़ित) करना पड़ता है, जिससे अक्सर "आर्टिफैक्ट्स" (artifacts) पैदा होते हैं—दृश्य गड़बड़ियाँ जैसे धुंधलापन, ब्लॉक जैसा दिखना, या लैग (lag)। बड़ा सवाल यह है: ये गड़बड़ियाँ कितनी खराब हो सकती हैं इससे पहले कि इंसान उन्हें नोटिस करें और परेशान हों? पारंपरिक रूप से, हमने वीडियो की गुणवत्ता को फ्लैट स्क्रीन देखकर परखा है, लेकिन यह एक 3D मूर्ति को उसकी तस्वीर देखकर आंकने जैसा है। यह गहराई, गति और दृश्य के अंदर होने के अहसास को छोड़ देता है। यह शोध पत्र इस लापता हिस्से की गहराई में जाता है, और यह पूछता है कि हम इमर्सिव VR हेडसेट्स के माध्यम से देखे जाने वाले इन 3D डिजिटल लोगों की गुणवत्ता को कैसे माप सकते हैं।
इस अध्ययन के पीछे के शोधकर्ताओं ने, जो यूनिवर्सिटी ऑफ टेक्सास एट ऑस्टिन और मेटा की एक टीम है, 3D मानव अवतारों के लिए एक परम "टेस्ट टेस्ट" बनाने का निर्णय लिया। उन्होंने LIVE-Meta Rendered Human Avatar VQA Database नामक एक विशाल नया डेटाबेस बनाया। इसे 36 अलग-अलग डिजिटल मनुष्यों वाले 720 विभिन्न वीडियो क्लिप्स के एक विशाल पुस्तकालय के रूप में समझें। ये केवल स्थिर चित्र नहीं हैं; ये उच्च परिभाषा (high definition) में कैप्चर किए गए चलते-फिरते, सांस लेते हुए अवतार हैं। इंटरनेट कनेक्शन के खराब होने पर हमारे मस्तिष्क की प्रतिक्रिया का परीक्षण करने के लिए, टीम ने जानबूझकर इन वीडियो को 20 अलग-अलग तरीकों से "खराब" किया। उन्होंने फ्रेम रेट को धीमा करके (वीडियो को झटकेदार बनाना), कलर रेजोल्यूशन को कम करके (छवि को धुंधला या पिक्सेलेटेड बनाना), और "विलंब" (delay) जोड़कर (अवतार की गतिविधियों को वास्तविकता से पीछे करना) वास्तविक दुनिया की इंटरनेट समस्याओं का अनुकरण किया।
वास्तविक मानवीय प्रतिक्रिया प्राप्त करने के लिए, उन्होंने लोगों को केवल कंप्यूटर मॉनिटर पर ये वीडियो देखने के लिए नहीं कहा। इसके बजाय, उन्होंने 78 स्वयंसेवकों को Oculus Quest Pro हेडसेट्स पहनाए। ये वे चश्मे हैं जो आपको चारों ओर देखने की अनुमति देते हैं, जिससे आपको पूर्ण 360-डिग्री दृश्य मिलता है। स्वयंसेवकों ने ग्लिच वाले अवतारों को देखा और उन्हें "बुरे" से लेकर "उत्कृष्ट" के पैमाने पर रेट किया। शोधकर्ताओं ने फिर इन रेटिंग्स को एक विशेष गणितीय विधि का उपयोग करके एक एकल, विश्वसनीय स्कोर में बदल दिया, जिससे यह सुनिश्चित हुआ कि किसी एक व्यक्ति की कठोर ग्रेडिंग परिणामों को प्रभावित न करे।
उन्हें क्या मिला? परिणाम आश्चर्यजनक रूप से विशिष्ट थे। अध्ययन सुझाव देता है कि इन 3D मानव अवतारों के लिए, कलर रेजोल्यूशन और फ्रेम रेट सबसे बड़ी समस्या हैं। यदि वीडियो धुंधला होता है या झटके लेने लगता है, तो लोग इसे तुरंत नोटिस करते हैं और उनका आनंद कम हो जाता है। हालाँकि, अध्ययन में पाया गया कि विलंब (lag) वास्तव में हमारी सोच से कम महत्वपूर्ण है। 300 या 400 मिलीसेकंड तक के विलंब के साथ भी, मानव मस्तिष्क ने धुंधली छवि की तुलना में लैग को बहुत बेहतर तरीके ढंग से सहन किया। यह इंजीनियरों के लिए एक बड़ा संकेत है: वे इंटरनेट बैंडविड्थ की काफी बचत कर सकते हैं यदि वे थोड़ा धैर्य रखें, बशर्ते वे चित्र को स्पष्ट और सुचारू रखें।
शोध पत्र ने कई कंप्यूटर प्रोग्रामों को भी परखने के लिए रखा। ये प्रोग्राम, जिन्हें "वीडियो क्वालिटी असेसमेंट" (VQA) मॉडल कहा जाता है, यह अनुमान लगाने के लिए डिज़ाइन किए गए हैं कि कोई इंसान वीडियो को कैसे रेट करेगा, बिना किसी इंसान द्वारा वास्तव में देखे। शोधकर्ताओं ने कई मौजूदा मॉडलों का परीक्षण किया, साथ ही एक नया मॉडल भी बनाया जिसे HoloQA कहा जाता है। परिणामों ने दिखाया कि जबकि कुछ पुराने मॉडल गुणवत्ता का अनुमान लगा सकते थे, नया HolaQA मॉडल सबसे शानदार था। इसे विशेष रूप से 3D स्थान में मानव शरीर और चेहरों की अनूठी विशेषताओं को समझने के लिए प्रशिक्षित किया गया था, और इसने अन्य सभी उपकरणों की तुलना में मानवीय राय का बेहतर अनुमान लगाया।
संक्षेप में, यह शोध पत्र हमें मेटावर्स के भविष्य में नेविगेट करने के लिए एक नया, सुपर-विस्तृत मानचित्र प्रदान करता है। यह हमें बताता है कि यदि हम चाहते हैं कि हमारे डिजिटल अवतार वास्तविक महसूस हों, तो हमें उनके रंगों को तीक्ष्ण और उनकी गति को सुचारू रखने को प्राथमिकता देनी चाहिए, भले ही इसका अर्थ यह हो कि वे प्रतिक्रिया देने में थोड़े धीमे हों। अपना डेटाबेस और अपना नया "HoloQA" टूल दुनिया के साथ साझा करके, लेखक अन्य वैज्ञानिकों को वे सामग्रियां दे रहे हैं जिनकी उन्हें बेहतर, सुचारू और अधिक इमर्सिव आभासी दुनिया बनाने के लिए आवश्यकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।