RemoCap: التعلم التمثيلي المنفصل للتقاط الحركة

إعادة بناء الأجسام البشرية ثلاثية الأبعاد من تسلسلات حركية واقعية لا يزال تحديًا بسبب الاحتشادات الشائعة والمعقدة. تعاني الأساليب الحالية من صعوبة في التقاط ديناميكيات أجزاء الجسم المحتشدة، مما يؤدي إلى اختراق النموذج وحركة مشوهة. يستخدم نظام RemoCap تقنيتي الفصل المكاني (SD) والفصل الحركي (MD) للتغلب على هذه القيود. تعمل تقنية SD على معالجة التداخل بين جسم الإنسان المستهدف والأشياء المحيطة به. تحقق هذا من خلال فصل الخصائص المستهدفة على طول محور البعد. بتوحيد الخصائص بناءً على موضعها المكاني في كل بُعد، يتم عزل استجابة الكائن المستهدف داخل نافذة عالمية، مما يمكّن من التقاط دقيق رغم الاحتشادات. يستخدم وحدة MD استراتيجية ترتيب زمني قنواتي لمحاكاة الديناميكيات المشهدية المتنوعة. يعمل هذا العملية على فصل خصائص الحركة بشكل فعال، مما يسمح لنظام RemoCap بإعادة بناء الأجزاء المحتشدة بدقة أكبر. بالإضافة إلى ذلك، يقدم هذا البحث خسارة سرعة التسلسل التي تعزز التجانس الزمني. تقوم هذه الخسارة بتقييد أخطاء السرعة بين الإطارات، مما يضمن أن الحركة المتوقعة تظهر اتساقًا واقعيًا.تم إجراء مقارنات شاملة مع أفضل الأساليب الحالية (SOTA) على مجموعات بيانات مرجعية لتوضيح الأداء الفائق لنظام RemoCap في إعادة بناء الجسم البشري ثلاثي الأبعاد. على مجموعة بيانات 3DPW، يتفوق نظام RemoCap على جميع المنافسين، حيث حقق أفضل النتائج في مقاييس MPVPE (81.9)، MPJPE (72.7)، و PA-MPJPE (44.1). يمكن الوصول إلى الكود عبر الرابط: https://wanghongsheng01.github.io/RemoCap/.