شهدت تقنية أنيميشن الصور البشرية (Human Image Animation) تقدمًا كبيرًا في الآونة الأخيرة، إلا أن إنشاء حركات يدوية بجودة عالية لا يزال يمثل تحديًا مستمرًا. يعود السبب في ذلك إلى التعقيد الشديد للحركات وارتفاع درجات حرية الحركة. بينما يوفر التعلم المعزز من ردود الفعل البشرية، وخاصة تحسين التفضيلات المباشرة، حلاً محتملاً، يتطلب ذلك بناء أزواج تفضيلات صارمة. ومع ذلك، فإن تنسيق هذه الأزواج لمناطق اليد الديناميكية يعتبر مكلفًا للغاية وغالبًا ما يكون غير عملي بسبب عدم التناسق في الإطارات.

في هذا السياق، تقدم الدراسة مفهوم توافق التفضيلات الضمنية (Implicit Preference Alignment - IPA)، وهو إطار تدريب ما بعد فعال من حيث البيانات يلغي الحاجة إلى بيانات تفضيل مقترنة. يستند IPA نظريًا إلى تحقيق أقصى قيمة لمكافأة ضمنية، حيث يقوم بتنسيق النموذج من خلال زيادة احتمال الحصول على عينات عالية الجودة تم إنشاؤها ذاتيًا بينما يعاقب الانحرافات عن النموذج المعتمد مسبقًا.

علاوة على ذلك، تم تقديم آلية تحسين محلية مدركة لليد (Hand-Aware Local Optimization) لتوجيه عملية التوافق بشكل صريح نحو مناطق اليد. وقد أظهرت التجارب أن طريقتنا تحقق تحسينًا فعالًا للتفضيلات مما يحسن جودة توليد اليد، بينما تقلل في الوقت نفسه الحواجز اللازمة لبناء بيانات التفضيل. يمكنكم الاطلاع على الشيفرة البرمجية الخاصة بالبحث عبر الرابط المرفق.