في عالم الذكاء الاصطناعي، تعتبر نماذج الحركة طويلة الأمد من بين التحديات الكبرى التي يواجهها الباحثون والمطورون. ولحل هذه المشكلة، تم تقديم تقنية جديدة تدعى إعادة العينة المثلثية (Triangular Resampling - TR) والتي تعد طريقة ما بعد التدريب تهدف إلى تقليل تراكم الأخطاء عند نمذجة الحركة.

تستند تقنية TR إلى جدول إلغاء الضوضاء المثلثي الخاص بنموذج FloodDiffusion، حيث تستجيب لمعالجة عدم التطابق بين النوافذ التدريبية المستمدة من الحقائق الأساسية وحالات الاستنتاج التي ينتجها النموذج. واحدة من أكبر المشكلات هي عجز النظام عن معالجة التاريخ الحركي المكتمل، مما يؤدي إلى عدم الجدوى في حالات إلغاء الضوضاء الجزئية.

تعمل تقنية TR على توسيع التدريب القائم على إعادة التنفيذ إلى هذه الحالات باستخدام تقنيات التثبيت لضبط الأخطاء وتقليل الانحراف المفرط. يتم سحب عتبة إلغاء الضوضاء لكل نموذج تمت إعادة تشغيله، وتتم مشاركة هذه العتبة عبر المواقع الكامنة والمع تحديثات إعادة التنفيذ. من خلال إجراء تعديلات متعددة للضوضاء المثلثية دون تتبع الانحدار، يتم الحفاظ على التوازن بين دقة النموذج والحد من الأخطاء المتراكمة.

وتظهر النتائج من اختبار حركة لمدة 120 ثانية من بيانات HumanML3D أن تقنيتي TR وTR-DMD قد حققتا أداءً متميزًا مع معدلات FID AUC التي تنافس المستويات المتقدمة ضمن مجموعاتها المقارنة. كما أظهرت تقنية TR إشارات على تقليل FID AUC بمعدل 40.9% وما يصل إلى 55.3% في ميل تدهور FID مقارنةً بأساليب ما بعد التدريب التقليدية.

من المؤكد أن هذه التقنيات سوف تُحدث ثورة في كيفية التعامل مع التحديات المتعلقة بنماذج الحركة طويلة الأمد في المستقبل، مما يوفر المزيد من الدقة والكفاءة في التطبيقات العملية.

ما رأيكم في هذه التطورات المثيرة في عالم نماذج الحركة؟ شاركونا آراءكم في التعليقات.