BODIES: معامل شكل الجسد وشبكات ثلاثية الأبعاد للأفراد مبنية على SUPR

لماذا تهم النسخ الرقمية من الأجساد

من تجربة الملابس عبر الإنترنت إلى تدريب الجراحين في الواقع الافتراضي، تعتمد العديد من التقنيات الآن على نسخ رقمية واقعية لأجسادنا. ومع ذلك، فإن بناء مثل هذه النماذج ثلاثية الأبعاد المفصلة لا يزال بطيئًا ومعقدًا، خاصة عندما تكون مقاييس وشكل الجسم الدقيقة مهمة. تقدم هذه الدراسة مجموعة بيانات جديدة وكبيرة صممت لتسهيل قدرة الحواسيب على إعادة إنشاء أجسام بشرية دقيقة من صور بسيطة، مما قد يُحسّن كل شيء من غرف القياس الافتراضية إلى المحاكيات الطبية.

طريقة جديدة لوصف الجسم البشري

تُبنى معظم النُظم الحالية لنمذجة الأشخاص ثلاثيي الأبعاد حول معيار شائع يُسمى SMPL، الذي يعامل الجسم البشري كسطح واحد قابل للتشكّل يتحكم فيه مجموعة محدودة من القيم العددية. وعلى الرغم من فائدته، يكافح SMPL مع التفاصيل الدقيقة مثل الوجوه والأيدي والأقدام، وقد تم تدريبه على بيانات لا تغطي بالكامل التنوع الهائل لأشكال البشر الواقعيين. يُمثل نموذج أحدث يُدعى SUPR الجسم على شكل أجزاء وتم تدريبه على أكثر من مليون مسح، بما في ذلك أنواع أجسام متطرفة وسجلات مفصلة للرأس واليدين والقدمين. من الناحية النظرية، ينبغي أن يلتقط SUPR شكل الإنسان وحركته بشكل أكثر دقة، لكنه شهد استخدامًا محدودًا لأنّ لم تكن هناك مجموعات بيانات كبيرة وجاهزة مبنية عليه.

بناء مجموعة بيانات BODIES

لسد هذه الفجوة، أنشأ المؤلفون BODIES، مجموعة اصطناعية تضم 84,000 فرد رقمي معرفين باستخدام نموذج SUPR. يوصف كل فرد بوضعية وقوف بسيطة ومحايدة عبر مجموعة من القيم العددية التي تتحكم في شكل الجسم، إضافةً إلى شبكة سطح ثلاثية الأبعاد وصورتين تُظهران العرض الأمامي والجانبي. أنشأ الباحثون مجموعات سكانية منفصلة للذكور والإناث، وزادوا تدريجيًا عدد قيم الشكل المستخدمة، من وصف مُكثف مكوّن من 10 أرقام وصولًا إلى وصف مفصّل مكوّن من 300. استُخرِجت هذه القيم من توزيع إحصائي على شكل جرس يشبه كيف تتوزع الطول والوزن في السكان الحقيقيين، ثم تم اقتطاع القيم المتطرفة لتجنب أجسام مستحيلة. لكل فرد خزّنوا الشبكة والقيم الشكلية والطول والوزن المحسوبين والصور الموحدة، ونظموا كل شيء بحيث يمكن للفرق الأخرى ربط البيانات مباشرة إلى خطوط أنابيب التعلم الآلي الخاصة بهم.

اختبار مدى جودة إعادة بناء الأجسام

سأل الفريق بعد ذلك ما إذا كان استخدام SUPR ومجموعة بيانات BODIES يحسّن بالفعل إعادة إنشاء الأجسام ثلاثية الأبعاد من الصور. بدأوا من نظام ثلاثي المكونات موجود سابقًا: وحدة تقطع محيط الشخص من الصور الأمامية والجانبية، ووحدة تضغط هذه المحيطات إلى ميزات بصرية مدمجة، ووحدة نهائية تحول تلك الميزات، بالإضافة إلى الطول والوزن، إلى أرقام شكلية وشبكة ثلاثية الأبعاد. حدث المؤلفون خطوات معالجة الصور وكيّفوا النظام ليعمل مع SUPR بدلًا من SMPL. في أول مجموعة اختبارات، قارنوا تدريب هذا النظام على مجموعة بيانات قديمة مبنية على SMPL مقابل BODIES، ثم قاسوا مدى ابتعاد الشبكات المعاد بناؤها عن الأصل. قلّلت استخدام BODIES وSUPR الأخطاء عمومًا، خاصة لأجسام الإناث، مما يشير إلى أن النموذج الأغنى وتغطية الشكل الأوسع يساعدان النظام على تعلم أشكال أكثر دقة.

كم عدد تفاصيل الشكل المفيدة

بعد ذلك استكشف المؤلفون كيف يؤثر عدد قيم الشكل على الأداء. بديهيًا، ينبغي أن تسمح المزيد من القيم للنظام بالتقاط تفاصيل أدق، لكنها تجعل أيضًا مشكلة التنبؤ أصعب. من خلال التدريب والاختبار عبر نسخ BODIES التي استخدمت من 10 إلى 300 قيمة شكلية، وجد الباحثون أن أخطاء إعادة البناء تميل إلى الارتفاع مع ازدياد دقة الوصف المطلوب. مع وجود محيطين فقط وعدة قياسات يعتمد عليها النظام، يكافح لتحديد العديد من الضبطيات الصغيرة التي تسمح بها مئات إعدادات الشكل. مع ذلك، عند النظر إلى مدى تعميم النماذج المدربة بمستويات مختلفة من التفصيل عبر جميع إصدارات المجموعة، غالبًا ما حققت النماذج المدربة بعدد متوسط أو مرتفع من قيم الشكل توازنًا أفضل، متعلمةً تمثيل الميزات الجسدية الدقيقة دون الإفراط في التخصيص لحالة ضيقة واحدة.

من الأشخاص الافتراضيين إلى المسوح الحقيقية

أخيرًا، اختبر الفريق مدى انتقال التدريب على بيانات اصطناعية إلى البشر الحقيقيين. استخدموا مسوحات ثلاثية الأبعاد منظفة بعناية لـ 34 شخصًا، وأنشأوا صورًا أمامية وجانبية، وطلبوا من النماذج المدربة على مجموعة SMPL القديمة أو على BODIES إعادة بناء هذه الأجسام. قيّموا الدقة بمقارنة الأطوال والأوزان والمحيطات الرئيسية، وبسؤال متطوعين لتقييم التشابه البصري. عمومًا، كانت الأخطاء أكبر مما في الاختبارات الاصطناعية البحتة، مما يعكس القفزة من الأشكال المولّدة حاسوبيًا إلى الواقع الفوضوي. ومع ذلك، غالبًا ما طابقت النماذج المدربة على BODIES أو تفوقت على تلك المدربة على SMPL، خصوصًا بالنسبة للنساء، مما يؤكد أن مجموعة البيانات المبنية على SUPR قادرة على التعامل بشكل أفضل مع أشكال الجسم المعقدة حتى تحت ظروف العالم الحقيقي.

ماذا يعني هذا لشكل المستقبل الرقمي للأفاتارات

بالنسبة لغير المتخصص، الرسالة الرئيسية هي أن هذا العمل يوفّر مكتبة غنية جديدة من الأجسام الرقمية ودليلاً على أن نموذجًا أكثر تفصيلًا يمكن أن يحسّن دقة ما تعيد الآلات بناؤه من شكل الإنسان. تقدّم BODIES عشرات الآلاف من الأمثلة الموحدة التي يمكن للمطورين استخدامها لتدريب الأنظمة التي تقف خلف غرف القياس الافتراضية، والشخصيات الواقعية في الألعاب والأفلام، والأدوات الطبية المخصّصة للمرضى. وبينما تُظهر الدراسة أيضًا حدود استنتاج التفاصيل المعقدة من وجهتين فقط، فإنها تمهّد الطريق لنسخ رقمية أكثر ولاءً تتطابق بشكل أفضل مع أحجام ونسب الأشخاص الحقيقيين.

الاستشهاد: Cannavò, A., Manigrasso, F., Moro, F. et al. BODIES: BOdy shape parameter and 3D meshes of Individuals basEd on SUPR. Sci Data 13, 736 (2026). https://doi.org/10.1038/s41597-026-06777-4

الكلمات المفتاحية: إعادة إنشاء جسم بشري ثلاثي الأبعاد, صور رمزية رقمية, مجموعة بيانات أجسام اصطناعية, التجريب الافتراضي للملابس, نمذجة شكل الجسم