Ordered Diffusion for 3D Human Registration
यह शोध पत्र ODin को प्रस्तुत करता है, जो एक नवीन 3D मानव पंजीकरण विधि है जो पॉइंट ऑर्डरिंग के साथ एक 3D डिफ्यूजन प्रक्रिया का उपयोग करके संरेखण (alignment) को संभावित ज्यामितिओं के एक वितरण के रूप में मॉडल करती है, जिससे पारंपरिक रिग्रेशन-आधारित दृष्टिकोणों की सीमाओं को पार करते हुए अत्याधुनिक सटीकता और काफी तेज़ इन्फरेंस प्राप्त किया जा सके।
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 न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप मानव शरीर का एक आदर्श 3D मॉडल बनाने की कोशिश कर रहे हैं, लेकिन आपके पास केवल बिंदुओं का एक बिखरा हुआ, अधूरा ढेर (पॉइंट क्लाउड) है जो एक वास्तविक व्यक्ति से लिया गया है। यह कंप्यूटर विज़न के क्षेत्र में एक बहुत बड़ी चुनौती है, जहाँ कंप्यूटर दुनिया को "देखने" और समझने के लिए सीखते हैं। दशकों से, वैज्ञानिकों ने इसे एक गणितीय समस्या के रूप में हल करने की कोशिश की है जिसमें केवल एक ही सही उत्तर होता है: वे यह मान लेते हैं कि एक मानक शरीर टेम्पलेट (standard body template) को उन बिखरे हुए बिंदुओं के अनुरूप ढालने का केवल एक ही आदर्श तरीका है। लेकिन वास्तव में, दुनिया अव्यवस्थित है। कैमरे गलतियाँ करते हैं, लोग दृष्टि से ओझल हो जाते हैं, और हमारी त्वचा और मांसपेशियां इस तरह से हिलती और खिंचती हैं जो पूरी तरह से अनुमानित नहीं होतीं। एक एकल "औसत" उत्तर थोपने की कोशिश अक्सर अजीब, असंभव दिखने वाले शरीर की ओर ले जाती है—जैसे कि एक पैर गायब हो जाना या एक हाथ छाती के आर-पार निकल जाना।
इसे ठीक करने के लिए, शोधकर्ता एक नए प्रकार के AI की ओर मुड़ रहे हैं जिसे "डिफ्यूजन मॉडल" (diffusion models) कहा जाता है। आप डिफ्यूजन मॉडल को एक जादुई 'डिनोइजिंग मशीन' (denoising machine) के रूप में समझ सकते हैं। कल्पना कीजिए कि एक फोटो है जो स्टैटिक शोर (static snow) से ढकी हुई है; एक डिफ्यूजन मॉडल यह सीखता है कि उस शोर को धीरे-धीरे, चरण दर चरण कैसे हटाया जाए, जब तक कि उसके नीचे की स्पष्ट तस्वीर दिखाई न देने लगे। आमतौर पर, इन मॉडलों का उपयोग शून्य से नई कला बनाने के लिए किया जाता है। लेकिन क्या होगा यदि हम इनका उपयोग केवल निर्माण के लिए ही नहीं, बल्कि सुधारने के लिए भी कर सकें? क्या होगा यदि हम एक शोर भरे, टूटे हुए 3D स्कैन को ले लें और इस "डिनोइजिंग" जादू का उपयोग यह पता लगाने के लिए करें कि उस व्यक्ति की सबसे संभावित, वास्तविक आकृति क्या है, भले ही उनके शरीर के कुछ हिस्से गायब हों? यही वह बड़ा सवाल है जिसे यह शोध पत्र संबोधित करता है: एक एकल उत्तर का अनुमान लगाने के बजाय, क्या हम कंप्यूटर को संभावनाओं की एक पूरी श्रृंखला की कल्पना करना सिखा सकते हैं?
समस्या: वह "औसत" अनुमान जो विफल हो जाता है
लंबे समय तक, कंप्यूटर वैज्ञानिक एक 3D मानव शरीर को रजिस्टर (या संरेखित) करने के लिए इसे एक रिग्रेशन टास्क (regression task) के रूप में देखते रहे हैं। सरल शब्दों में, उन्होंने कंप्यूटर से पूछा: "यहाँ एक व्यक्ति का बिखरा हुआ स्कैन है; कृपया हमें हमारे मानक शरीर टेम्पलेट के प्रत्येक बिंदु के लिए सटीक स्थिति बताएं।"
समस्या यह है कि यह दृष्टिकोण यह मान लेता है कि केवल एक ही सही उत्तर है। लेकिन वास्तविक दुनिया में ऐसा नहीं है। यदि कैमरा किसी व्यक्ति का बायां हाथ मिस कर देता है, या यदि व्यक्ति ढीले कपड़े पहने हुए है, तो कंप्यूटर को यह पता नहीं चलता कि वह हाथ वास्तव में कहाँ होना चाहिए। जब केवल एक उत्तर चुनने के लिए मजबूर किया जाता है, तो कंप्यूटर अक्सर घबरा जाता है और एक "औसत" अनुमान चुन लेता है। यह गायब हाथ को वहां रख सकता है जहाँ उसे होना चाहिए और शरीर के धड़ के बीच में कहीं, जिसके परिणामस्वरूप एक ऐसा शरीर बनता है जो पिघलता हुआ या पेट के अंदर फंसे पैर जैसा दिखता है। यह सभी बादलों को देखने के बाद औसत बादल का आकार बताने की कोशिश करने जैसा है; आपको एक ऐसा गोला प्राप्त होता है जो वास्तविक कुछ भी नहीं लगता।
समाधान: ODin, "क्रमबद्ध" स्वप्नद्रष्टा (The "Ordered" Dreamer)
इस शोध पत्र के लेखक, मैटिया मासिएरो और उनकी टीम ने एक उत्तर पूछना बंद करने और एक वितरण (distribution) के उत्तरों के बारे में पूछने का निर्णय लिया। उन्होंने ODin (Ordered Diffusion) नामक एक नई प्रणाली बनाई।
ODin को एक बहुत ही बुद्धिमान, बहुत धैर्यवान मूर्तिकार के रूप में समझें जो मिट्टी के एक ऐसे ब्लॉक से शुरू करता है जो पूरी तरह से बिखरा हुआ (शुद्ध शोर) है। अंतिम आकार को एक बार में तराशने के बजाय, ODin धीरे-धीरे शोर को परत दर परत हटाता है ताकि नीचे छिपे शरीर को प्रकट किया जा सके। लेकिन यहाँ एक जादुई ट्रिक है: अन्य तरीकों के विपरीत जो आकार को सही तो बना सकते हैं लेकिन यह ट्रैक खो देते हैं कि कौन सा हिस्सा कौन सा है, ODin एक सख्त क्रम बनाए रखता है। वह जानता है कि उसकी सूची का 50वां बिंदु हमेशा बायां कोहनी होना चाहिए, और 100वां बिंदु दायां घुटना होना चाहिए। यह "क्रमबद्धता" (ordering) महत्वपूर्ण है क्योंकि यह कंप्यूटर को एक मानक मानव शरीर टेम्पलेट के साथ पूरी तरह से मैप करने की अनुमति देती है।
ODin दुनिया को कैसे "देखता" है
इस डिनोइजिंग प्रक्रिया को निर्देशित करने के लिए, ODin तीन अलग-अलग प्रकार के संकेतों, या "कंडीशनिंग" (conditioning) का उपयोग करता है, जो शोर को यह बताते हैं कि उसे कहाँ जाना है:
- बड़ी तस्वीर (Global): यह सामान्य आकार को समझने के लिए पूरे स्कैन को देखता है। क्या यह एक लंबा व्यक्ति है? एक छोटा व्यक्ति?
- विवरण (Local): यह विशिष्ट स्थानों को देखता है। यदि स्कैन एक कंधे को दिखाता है, तो यह कंधे के पास के शोर को बताता है, "हे, तुम्हें यहाँ आने की आवश्यकता है।"
- पहचान (Positional): यह प्रत्येक बिंदु के आईडी कार्ड को याद रखता है। वह जानता है कि बिंदु #1 नाक है और बिंदु #689 बायां पैर है, इसलिए वह कभी भ्रमित नहीं होता कि चीजें कहाँ होनी चाहिए।
शोध पत्र सुझाव देता है कि इन तीन संकेतों को जोड़कर, ODin पूरे शरीर को पूरी तरह से देखे बिना शोर वाले बिंदुओं को उनके सही स्थानों तक निर्देशित कर सकता है। भले ही स्कैन से कोई अंग गायब हो, ODin केवल एक औसत अनुमान नहीं लगाता; यह संभावनाओं के एक वितरण से नमूने लेता है। इसका मतलब है कि यह गायब अंग के कई अलग-अलग, वास्तविक संस्करण उत्पन्न कर सकता है, बजाय एक टूटे हुए, औसत संस्करण के।
उन्होंने क्या पाया
टीम ने वास्तविक दुनिया के डेटा पर ODin का परीक्षण किया, जिसमें वे स्कैन भी शामिल थे जहाँ लोग अंग खो चुके थे या केवल आंशिक रूप से दिखाई दे रहे थे। परिणाम प्रभावशाली थे:
- बेहतर सटीकता: ODin ने वर्तमान सर्वोत्तम तरीकों (जैसे NICP) को पछाड़ दिया, जिससे त्रुटि में काफी कमी आई। DFAUST डेटासेट पर परीक्षणों में, ODin ने पिछले सर्वोत्तम तरीके के 1.47 सेमी की तुलना में 1.15 सेमी की त्रुटि हासिल की (अंतिम पॉलिशिंग से पहले)।
- गति: यह न केवल अधिक सटीक था; यह तेज़ भी था। ODin ने लगभग 9 सेकंड में पंजीकरण पूरा किया, जबकि पुराने तरीके में 35 सेकंड लगे। यह तीन गुना से अधिक की गति वृद्धि थी।
- लापता हिस्सों को संभालना: जब स्कैन से पैर गायब था, तो पुराने तरीके अक्सर एक "भूतिया पैर" (ghost leg) बनाते थे जो एक ठूंठ जैसा दिखता था या शरीर के आर-पार निकल जाता था। हालाँकि, ODin ने एक वास्तविक मुद्रा (pose) उत्पन्न की जो गायब जानकारी का सम्मान करती थी, जिससे एक प्रशंसनीय शरीर की आकृति बनी जो टूटी हुई नहीं लगती थी।
लेखकों ने एक "क्या होगा यदि" प्रयोग भी चलाया। उन्होंने "लोकल" संकेतों (विस्तृत स्पॉट-चेक) या "ऑर्डरिंग" (बिंदुओं के लिए आईडी कार्ड) को हटाने की कोशिश की। जब उन्होंने ऐसा किया, तो सिस्टम पूरी तरह से विफल हो गया। ऑर्डरिंग के बिना, शरीर बिखर गया; स्थानीय विवरणों के बिना, आकार बहुत धुंधला था। इससे सिद्ध हुआ कि इस जादू को काम करने के लिए तीनों सामग्रियां आवश्यक थीं।
निष्कर्ष
यह शोध पत्र यह सुझाव देता है कि 3D पंजीकरण को एक "अनुमान लगाने वाले खेल" के रूप में देखना जिसमें केवल एक सही उत्तर होता है, एक मृत अंत है। इसके बजाय, संभावनाओं की एक पूरी श्रृंखला का पता लगाने के लिए डिफ्यूजन मॉडल का उपयोग करके, हम ऐसे 3D मॉडल बना सकते हैं जो न केवल अधिक सटीक हैं, बल्कि अधिक वास्तविक भी हैं, भले ही इनपुट डेटा अव्यवस्थित या अधूरा हो। हालांकि लेखक नोट करते हैं कि उनका सिस्टम अभी भी अत्यधिक भीड़भाड़ वाले वातावरण (जैसे फर्नीचर से भरा कमरा) में संघर्ष कर सकता है, उन्होंने यह दिखाने के लिए एक नया द्वार खोल दिया है कि हम कंप्यूटर को वास्तविक, अपूर्ण दुनिया में मानव शरीर को कैसे समझा सकते हैं। वे सुझाव देते हैं कि यह जेनेरेटिव दृष्टिकोण एक आशाजनक नया रास्ता है, जो हमें कठोर, औसत अनुमानों से दूर लचीले, बुद्धिमान पुनर्निर्माण की ओर ले जाता 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।