MBZUAI تطور KineMask لتحسين محاكاة التصادم في الفيديو

أبرز النقاط

1. باحثون في جامعة محمد بن زايد للذكاء الاصطناعي طوّروا طريقة KineMask لتوليد فيديو أكثر اتساقاً فيزيائياً.
2. نماذج الفيديو الحالية تُنتج مشاهد مقنعة بصرياً لكنها تخفق في محاكاة ارتطام الأجسام وحركتها.
3. القدرة على التنبؤ بنتيجة الحركة شرط لاستخدام نماذج الفيديو في الروبوتات ونماذج العالم.

خبر:

طريقة جديدة باسم KineMask تمنح نماذج توليد الفيديو فهماً أدق لما يحدث عند ارتطام الأجسام، طوّرها باحثون في جامعة محمد بن زايد للذكاء الاصطناعي في أبوظبي. وبحسب الجامعة، يكتفي النظام بصورة واحدة وجهة وسرعة ابتدائية لجسم محدد، ويترك للنموذج استنتاج نتيجة التصادم. وعُرض العمل في مؤتمر ECCV 2026.

تفصيل:

• المشكلة الأساسية: بحسب الجامعة، تُنتج نماذج توليد الفيديو الحالية مقاطع تبدو مقنعة بصرياً لكنها تفشل غالباً في محاكاة الفيزياء، إذ تختفي الأجسام أو تتحرك في اتجاهات غير منطقية أو يتخلل بعضها بعضاً لحظة الارتطام، وهو خلل يصبح عائقاً جوهرياً عند استخدام هذه النماذج في الروبوتات والذكاء الاصطناعي المتجسّد.
• الفكرة التقنية: خلافاً لأنظمة التحكم بالحركة السابقة القائمة على السحب، التي تتلقى مسار الحركة كاملاً مسبقاً، يحدد KineMask جهة الجسم وسرعته الابتدائية فقط. ووفق الباحثين، يترك ذلك للنموذج مهمة استنتاج ما يحدث بعد لحظة التصادم بدل تلقينه النتيجة.
• البنية: أضاف الفريق آلية تحكم من نوع ControlNet فوق نموذج فيديو انتشاري مُدرَّب مسبقاً هو CogVideoX-5B، ومثّل سرعة الجسم المتحرك على شكل قناع ملوّن يغطي بكسلات الجسم بثلاث قنوات تشفّر الحركة على المحاور الثلاثة.
• مرحلتا التدريب: وفق الجامعة، يجري التدريب على مرحلتين: الأولى يرى فيها النموذج قناع السرعة طوال مدة الفيديو، والثانية تُحذف فيها هذه المعلومة المستقبلية تدريجياً لإجبار النموذج على التنبؤ بالحركة انطلاقاً من نقطة البداية وحدها.
• أرقام الحركة البسيطة: سجّل النظام الكامل بمرحلتيه درجة FVD بلغت 160.3 في اختبار الحركة البسيطة، مقابل 288.8 عند الاعتماد على المرحلة الثانية وحدها. ومقياس FVD يقيس جودة الفيديو المولَّد، وكلما انخفضت قيمته كانت النتيجة أفضل.
• أرقام التصادم: في اختبار أكثر تعقيداً يتضمن تصادمات بين الأجسام، سجّل نموذج CogVideoX الأساسي درجة 807.3، بينما خفضتها نسخة KineMask المدرَّبة على الحركة البسيطة إلى 301.1، والنسخة المدرَّبة مباشرة على بيانات التصادمات إلى 250.7.
• تقييم المستخدمين: في استطلاع ضمّ 30 مشاركاً قارن KineMask بخمسة أنظمة هي CogVideoX وWan وTORA وMotionI2V وForce Prompting على مشاهد واقعية، فضّل المشاركون KineMask بنسب تراوحت بين 51% و88% في دقة الحركة، وبين 64% و86% في واقعية التفاعل.
• الاتساق الفيزيائي: في البند الثالث من الاستطلاع نفسه، المتعلق بالاتساق الفيزيائي العام للمشهد، تراوح تفضيل المشاركين لـKineMask بين 59% و77% مقارنة بالأنظمة الخمسة الأخرى.
• فريق البحث: وقّع الورقة ديفيد روميرو وأريانا برموديز وفياتشيسلاف يابلوشنيكوف وهاو لي وفابيو بيزاتي وإيفان لابتيف، وعُرضت في مؤتمر ECCV 2026. ولم تعلن الجامعة جدولاً زمنياً لإتاحة الطريقة للاستخدام الخارجي.

بين السطور:

الفارق بين 807.3 و250.7 في اختبار التصادم يشير إلى أن المشكلة ليست في حجم النموذج الأساسي بل في طريقة إمداده بمعلومة الحركة. ويُستدل من نتيجة النسخة المدرَّبة على الحركة البسيطة وحدها، 301.1، أن بعض الفهم الفيزيائي انتقل إلى حالات لم يُدرَّب عليها النموذج مباشرة.

ماذا بعد؟

المؤشر العملي التالي هو مدى صمود النتائج خارج بيئة الاختبار، وما إذا كانت الجامعة ستتيح الطريقة أو النموذج للاستخدام الخارجي بعد عرضها في ECCV 2026.