تطور الذكاء الاصطناعي يشهد قفزات مذهلة في مجالات متعددة، ويعد توليد الفيديو من النصوص أحد تلك المجالات التي تتطور بشكل سريع. ولكن، كانت هناك تحديات تتعلق بالحفاظ على المظهر العام لشخصية معينة عند استخدام صورة مرجعية واحدة، خاصةً عندما تكون هناك تغييرات كبيرة في الحركة أو وضع الشخصية أو المشهد.

في هذا السياق، تم تقديم تقنيات سابقة تعتمد على الصور المرجعية كإشارة لتوجيه عملية التوليد. إلا أن هذه الأساليب غالباً ما كانت تؤدي إلى ضعف في دقة المعلومات ظهور الشخصية نتيجة التفاعل بين الإشارات المرجعية وتوكنات الفيديو المزعجة أثناء عملية تنقية الصورة.

لذا، نأتي للابتكار الجديد: ContextAnyone، وهو إطار عمل تحويلي يعتمد على تحليل السياقات للحفاظ على مظهر الشخصية بدقة. يعتمد هذا الإطار على بناء مشترك للصورة المرجعية والفيديو المستهدف ضمن نموذج مشتركة، مما يوفر إشراف مباشر للحفاظ على الهوية والمظهر الدقيق أثناء عملية إزالة الضوضاء.

تتضمن الفكرة الرئيسية للحفاظ على الصورة المرجعية كمصدر موثوق للمعلومات عن المظهر، تدفق معلومات غير متناظر يسمح لتوكنات الفيديو بالوصول إلى توكنات المرجع بشكل انتقائي. كما تم تحسين هذا التصميم مع تقنية Gap-RoPE، التي تفصل التمثيلات الموضعية لتوكنات الفيديو المولدة والمراجع.

تظهر التجارب التي أُجريت على مجموعة بيانات مستندة إلى OpenVid-HD أن إطار ContextAnyone يُحسن من دقة الهوية وتناسق المظهر الدقيق مقارنةً بالنماذج السابقة، بينما يحتفظ بخصائص الحركة القريبة من الجيل الأساسي للفيديو. إن هذا الابتكار يعد نقلة نوعية في مجال توليد المحتوى المرئي باستخدام الذكاء الاصطناعي، ويُشجع الباحثين على استكشاف المزيد من التطبيقات العملية.

ما رأيكم في هذا التطور؟ شاركونا في التعليقات.