في عالم التكنولوجيا المتقدم، أصبحت الشبكات العصبية السائلة (Liquid Neural Networks) ركيزة أساسية لتحسين تقنيات إعادة تشكيل المشاهد الديناميكية. تعمل هذه الشبكات على إعادة بناء المشاهد من مقاطع الفيديو الأحادية عن طريق تشويه مجموعة محددة من التوزيعات الغاوسية ثلاثية الأبعاد (3D Gaussians) عبر شبكة عصبية متعددة الطبقات (MLP) تأخذ في اعتبارها الزمن.

على الرغم من إتاحتها للمعطيات في متغير مستمر، لم تكن MLP تربط بين قيم الزمن المختلفة بفاعلية، مما يؤدي إلى التنبؤ بإزاحات إطار زمني منفصلة، حيث تحقق مستويات من السلاسة الزمنية كمنتج جانبي فقط لعمليات التحسين. لمواجهة هذه التحديات، قمنا بإعادة تصميم حقل التشوه ليكون عبارة عن مجموعة من خلايا الزمن المغلقة (Closed-form Continuous-time cells)، حيث تمثل كشبكة عصبية سائلة. تكمل هذه الشبكات كل مكونات pipeline الخاصة بتقنية إعادة تشكيل المشاهد الديناميكية.

كل خلية تعرض بوابة زمنية سيغمويدية تعمل على التداخل بين حالتين مخفيتين، مما يدمج استجابة سلسة لتغير الزمن في صورة مناظر تدريبية دون الحاجة إلى حل عددي. وعند تطبيق هذه التقنية على مشاهد NeRF الديناميكية والساكنة، أثبتت الشبكات العصبية السائلة أنها تعطي نتائج تتفوق على النموذج الأساسي المستخدم، مع تحقيق أكبر المكاسب في المشاهد التي تتضمن حركات معقدة.

في الختام، تمثل الشبكات العصبية السائلة تصميمًا معماريًا متطورًا يحول حقل التشوه القائم على MLP إلى دالة زمنية واضحة، مما يجعل التفاعل مع المشاهد الديناميكية أكثر سلاسة وفعالية.

فهل أنتم مستعدون لاستكشاف كيف يمكن لهذه التكنولوجيا أن تغير طريقة تعاملنا مع المشاهد ثلاثية الأبعاد؟ شاركونا آرائكم في التعليقات!