روابط "رفع النقاط الرئيسية المستقلة" -- رفع جزئي للوضعية لمعالجة الإخفاء مع تحسين الدقة في تقدير وضعية الإنسان ثنائية وثلاثية الأبعاد

نقدم LInKs، وهو طريقة تعلم غير مشرف عليها جديدة لاستعادة وضعيات الإنسان ثلاثية الأبعاد من الهياكل الحركية ثنائية الأبعاد المستخرجة من صورة واحدة، حتى في حالة وجود العوائق. يعتمد نهجنا على عملية فريدة من نوعها تتكون من خطوتين، تتضمن أولاً رفع الوضعية ثنائية الأبعاد المخفية إلى المجال ثلاثي الأبعاد، ثم ملء الأجزاء المخفية باستخدام الإحداثيات ثلاثية الأبعاد الجزئياً المستعادة. يؤدي هذا النهج "رفع ثم ملء" إلى نتائج أكثر دقة بكثير مقارنة بالأنماط التي تكمل الوضعية في الفضاء ثنائي الأبعاد فقط. بالإضافة إلى ذلك، نحسن الاستقرار وتقدير الاحتمالات للتدفقات التطبيعية من خلال دالة عينة مخصصة تحل محل تقنية تخفيض البعد PCA المستخدمة سابقًا في الأعمال السابقة. كما أننا أول من درس إمكانية رفع أجزاء مختلفة من الهيكل الحركي ثنائي الأبعاد بشكل مستقل، حيث نجد أن هذا الأمر بحد ذاته يقلل من خطأ الأساليب الحالية للرفع. نعزى هذا إلى تقليل ارتباط النقاط الرئيسية على مدى طويل. في تقييمنا التفصيلي، نقوم بكمّ الخطأ تحت سيناريوهات عوائق واقعية مختلفة، مما يظهر متانة وقابلية التطبيق لنموذجنا. تظهر نتائجنا باستمرار تفوق التعامل مع جميع أنواع العوائق في الفضاء ثلاثي الأبعاد مقارنة بالأساليب الأخرى التي تكمل الوضعية في الفضاء ثنائي الأبعاد. كما أن نهجنا يظهر دقة ثابتة في السيناريوهات بدون عوائق، حيث أظهرت البيانات انخفاض بنسبة 7.9% في خطأ إعادة الإنشاء مقارنة بالأعمال السابقة على مجموعة بيانات Human3.6M (Human3.6M). بالإضافة إلى ذلك، يتميز أسلوبنا بقدرته على استعادة وضعيات الإنسان الكاملة ثلاثية الأبعاد بدقة عالية حتى في حالة وجود العوائق، مما يجعله قابلاً للتطبيق بشكل كبير في الحالات التي تكون فيها المعلومات الكاملة عن الوضعية ثنائية الأبعاد غير متاحة.