این ابزار هوش مصنوعی جدید حرکات انسانی واقع‌گرایانه تولید می کند

01

از 02

حرکات واقع‌گرایانه با کمک ابزار هوش مصنوعی جدید

این محققان در جریان کنفرانس Computer Vision and Pattern Recognition (CVPR 2025)، رویکرد نوآورانه خود را معرفی کردند، که از ترکیب یک تکنیک گسترش داده به نام MotionCutMix با یک مدل پخشی موسوم به MotionReFit بهره می‌برد. این فناوری جدید با هدف ارتقای توانمندی هوش مصنوعی در تولید و ویرایش حرکات انسانی طراحی شده است.

تمرکز بر ویرایش حرکات موجود به‌جای تولید از صفر

به‌ گفته دکتر Yixin Zhu، نویسنده ارشد مقاله ارائه‌شده، اگرچه طی سال‌های اخیر تولید حرکات انسانی با هوش مصنوعی پیشرفت‌های زیادی داشته، اما امکان ویرایش دقیق حرکات قبلی همچنان با محدودیت جدی مواجه بوده است. در حالی‌ که در حوزه‌های خلاقانه مانند: بازی‌سازی و انیمیشن، اغلب نیاز به اصلاح و بهینه‌سازی محتواهای موجود است و نیازی به تولید کامل آنها از ابتدا وجود ندارد.

در همین راستا، تیم تحقیقاتی Zhu سیستمی طراحی کرده‌اند که تنها با استفاده از دستورهای متنی ساده، بدون نیاز به جزئیات دقیق وظایف یا برچسب‌گذاری بخش‌های بدن، می‌تواند هر حرکت انسانی را ویرایش کند. این سیستم هم ویرایش فضایی (برای بخش‌های خاص بدن) و هم ویرایش زمانی (برای تغییرات در طول زمان) را پشتیبانی می‌کند.

ساختار آموزشی نوین ابزار هوش مصنوعی

یکی از مزیت‌های کلیدی این روش، توانایی آن در تولید نمونه‌های آموزشی جدید و متنوع با استفاده از ترکیب بخش‌هایی از بدن در توالی‌های حرکتی مختلف است. این فرایند، مشابه ترکیب مواد اولیه در آشپزی، به هوش مصنوعی کمک می‌کند تا حرکات جدید و واقع‌گرایانه‌تری یاد بگیرد. در این رویکرد، برای هر حرکت ترکیبی، یک نمونه آموزشی شامل حرکت اصلی، نسخه ویرایش‌شده و دستور متنی مربوطه ایجاد می‌شود.

برخلاف روش‌های سنتی که متکی به پایگاه‌های داده ثابت و حاشیه‌نویسی‌شده بودند، MotionCutMix امکان تولید داده‌های آموزشی در لحظه را فراهم می‌کند. این موضوع، محدودیت وابستگی به داده‌های برچسب‌خورده را تا حد زیادی کاهش می‌دهد و امکان بهره‌گیری از کتابخانه‌های حرکتی بدون برچسب را فراهم می‌سازد.

حرکات طبیعی و روان با گذار نرم میان اعضای بدن

نکته مهم دیگر در این روش، توانایی آن در ایجاد گذارهای نرم و طبیعی میان بخش‌های مختلف بدن است. برخلاف برخی سیستم‌های دیگر که حرکات را به‌ صورت مصنوعی و ناهماهنگ نمایش می‌دهند، MotionCutMix مرز میان اعضا را به‌ صورت تدریجی محو و در نتیجه، انیمیشن‌هایی روان‌تر و واقع‌گرایانه‌تر تولید می‌کند.

02

از 02

کاهش نیاز به داده‌های برچسب‌خورده

به‌ واسطه این روش، نیاز به داده‌های حاشیه‌نویسی‌شده تا حد زیادی کاهش یافته است و با استفاده از تعداد محدودی نمونه، می‌توان میلیون‌ها ترکیب و حالت آموزشی تولید کرد. این رویکرد امکان پاسخ‌گویی به طیف گسترده‌تری از درخواست‌های ویرایشی را برای مدل فراهم می‌کند و آن را برای کاربردهای مختلف در دنیای دیجیتال و صنعتی آماده می‌سازد.

این فناوری نه‌تنها در توسعه محتواهای واقع‌گرایانه نقش کلیدی دارد، بلکه می‌تواند نقطه عطفی در تعامل میان انسان و ماشین از طریق حرکات طبیعی و قابل‌ ویرایش باشد.