Tel Aviveko Unibertsitateko ikertzaile talde batek MDM (Motion Diffusion Model) ikaskuntza automatikoko sistemarekin lotutako iturburu-kodea ireki du, giza mugimendu errealistak sortzea ahalbidetzen duena. Kodea Python-en idatzita dago PyTorch esparrua erabiliz eta MIT lizentziapean banatzen da. Esperimentuak egiteko, prest dauden ereduak erabil ditzakezu eta ereduak zeure burua entrena ditzakezu proposatutako gidoiak erabiliz, adibidez, giza irudi tridimentsionalen HumanML3D bilduma erabiliz. Sistema trebatzeko, CUDA euskarria duen GPU bat behar da.
Giza mugimenduak animatzeko gaitasun tradizionalak erabiltzea zaila da mugimendu posibleen askotariko konplikazioengatik eta horiek formalki deskribatzeko zailtasunagatik, baita giza pertzepzioak mugimendu naturalekiko duen sentikortasun handiagatik. Ikaskuntza automatikoko eredu sortzaileak erabiltzeko aurreko saiakerek kalitatearekin eta adierazkortasun mugatuarekin arazoak izan dituzte.
Proposatutako sistema mugimenduak sortzeko difusio-ereduak erabiltzen saiatzen da, gizakien mugimenduak simulatzeko berez hobeto egokitzen direnak, baina eragozpenik ez dutenak, hala nola konputazio-eskakizun handiak eta kontrol-konplexutasuna. Difusio-ereduen gabeziak minimizatzeko, MDM-k sare neuronal transformatzaile bat eta laginaren iragarpena erabiltzen ditu etapa bakoitzean zarata iragarpenaren ordez, oinarekiko gainazaleko kontaktua galtzea bezalako anomaliak saihestea erraztuz.
Sorkuntza kontrolatzeko, ekintza baten testu-deskribapena hizkuntza naturalean erabil daiteke (adibidez, "pertsona bat aurrera doa eta makurtzen da lurretik zerbait jasotzeko") edo ekintza estandarrak erabiltzea, esate baterako, "korrika" eta " saltokaβ. Mugimenduak editatzeko eta galdutako xehetasunak betetzeko ere erabil daiteke sistema. Ikertzaileek proba bat egin zuten, non parte-hartzaileei hainbat aukeren artean emaitza hobea aukeratzeko eskatu zitzaien: kasuen %42an, jendeak nahiago zituen mugimendu sintetizatuak benetakoak baino.
Iturria: opennet.ru