شبكات التوليد المتنافسة للتحويلات الرسومية لتصنيع أفعال الإنسان

تظل عملية تركيب الديناميكيات المكانية والزمانية لهيكل الجسم البشري مهمة صعبة، ليس فقط من حيث جودة الأشكال المولدة، بل أيضًا من حيث تنوعها، خاصةً في توليد حركات الجسم الواقعية لمهمة محددة (التكييف الفعلي). في هذا البحث، نقترح Kinetic-GAN، وهي هندسة جديدة تستفيد من مزايا شبكات التوليد المعادية (Generative Adversarial Networks) وشبكات التجميع الرسمية (Graph Convolutional Networks) لتوليد ديناميكية الجسم البشري. يمكن للهندسة المعادية المقترحة أن تتكيف مع ما يصل إلى 120 فعلًا مختلفًا على الحركات المحلية والعالمية للجسم بينما تحسن جودة العينات وتنوعها من خلال فصل الفضاء الكامن والتغيرات العشوائية. أجرينا تجاربنا على ثلاثة قواعد بيانات مشهورة، حيث يتفوق Kinetic-GAN بشكل ملحوظ على الطرق الرائدة في مجالها من حيث مقاييس جودة التوزيع مع القدرة على توليد أكثر من عقد واحد من الأفعال المختلفة. كود البرمجيات ونماذجنا متاحة للعامة على الرابط:https://github.com/DegardinBruno/Kinetic-GAN.