AttT2M: توليد الحركة البشرية الموجهة بالنص باستخدام آلية انتباه متعددة الزوايا

تمثيل الحركة البشرية ثلاثية الأبعاد بناءً على الوصف النصي أصبح محورًا بحثيًا مهمًا في السنوات الأخيرة. ويتطلب التمثيل المُولَّد أن يكون متنوعًا، وطبيعيًا، ويتوافق تمامًا مع الوصف النصي. وبسبب الطبيعة المعقدة في الفضاء والزمن للحركة البشرية، بالإضافة إلى الصعوبة الكامنة في فهم العلاقة بين الوسائط المختلفة (النص والحركة)، يظل إنشاء الحركة المُوجهة بالنص مشكلة صعبة. ولحل هذه التحديات، نقترح منهجية مكونة من مرحلتين تُسمى \textbf{AttT2M}، تتميز بآلية انتباه متعددة الزوايا: \textbf{الانتباه الجزئي للجسم} و\textbf{الانتباه العالمي-المحلي بين النص والحركة}. يركز الأول من هذه الآليات على وجهة نظر تمثيل الحركة، من خلال إدخال مشفر فرعي للجسم يعتمد على البنية الزمكانية إلى نموذج VQ-VAE، بهدف تعلم فضاء خفي منفصل أكثر تعبيرًا. أما الثاني، فينبع من منظور متقاطع بين الوسائط، ويُستخدم لتعلم العلاقات المتقاطعة بين النص والحركة على مستوى الجملة وعلى مستوى الكلمة. وينتج عن ذلك تمثيل الحركة الموجهة بالنص باستخدام نموذج محول توليدي (Generative Transformer). أظهرت التجارب الواسعة التي أُجريت على مجموعتي بيانات HumanML3D وKIT-ML أن منهجيتنا تتفوق على أحدث النماذج الحالية من حيث التقييم الكمي والنوعي، وتحقق توليدًا دقيقًا على مستوى التفاصيل (fine-grained synthesis) وتمثيلًا دقيقًا للحركة من النص (action2motion). يمكن الاطلاع على الكود من خلال الرابط: https://github.com/ZcyMonkey/AttT2M