Dijital Dunhuang dans mirası için poz tabanlı bedenlenmiş etkileşim

Antik Duvar Resimleriyle Dans

Dunhuang dansı, Çin’in Mogao Mağaraları’ndaki kıvrımlı figürlerden esinlenen, hem görsel olarak etkileyici hem de teknik açıdan zorlu bir gelenektir. Ziyaretçiler ve öğrenciler için, duvardaki bu boyanmış bedenlere hayran kalmaktan gerçek hayatta bu akışkan kıvrımları sergilemeye geçiş zor olabilir. Bu makale, dizüstü bilgisayara sahip herkesin bu duvar resmi pozlarına girmesine, ideal forma ne kadar yakın olduklarına ilişkin gerçek zamanlı rehberlik almasına ve en iyi anlarını anında Dunhuang tarzı dijital posterlere dönüştürmesine olanak veren kamera tabanlı bir etkileşimli sistemi tanıtıyor.

Mağara Resimlerinden Canlı Hareketlere

Dans gibi somut olmayan kültürel miras, taşta değil bedenlerde yaşadığı için heykeller veya duvar resimlerinden daha zor korunur. Dunhuang’ın mağaraları ayrıntılı görsel taramalarla arşivlenmiş olsa da, çoğu dijital proje hâlâ insanlardan bakmalarını, hareket etmelerini değil, bekliyor. Yazarlar, bu geleneği gerçekten canlı tutmak için öğrenenlerin bedenlenmiş uygulamaya—pozları denemeye, an içinde düzeltme yapmaya ve stili kaslarında hissetmeye—ihtiyaç duyduğunu savunuyor. Müzeler, sınıflar ve kültür merkezlerinin pahalı ekipmana gerek kalmadan benimseyebilmesi için yalnızca standart bir web kamerası ve dizüstü bilgisayar gibi tüketici donanımı kullanan bir sistem inşa etmeye karar verdiler.

Bir Bilgisayara Poz Okumayı Öğretmek

Sistemi eğitmek için ekip, beş klasik pozu sergileyen profesyonel ve yarı profesyonel Dunhuang dansçılarının bulunduğu 23 video topladı. Bunlardan her bir pozun doğru ve kusurlu versiyonlarını yakalayan yaklaşık 1.230 durağan kare çıkardılar. Dans uzmanları ve uzman olmayanlar da dahil insan anotatörler, kol yüksekliği, gövde eğriliği ve simetri gibi açık kriterlere dayanarak her kareyi "İyi" veya "Kötü" olarak etiketledi ve değerlendiriciler arasında kayda değer bir uzlaşma sağlandı. Google’ın hafif bir aracı olan MediaPipe daha sonra her dansçının görüntüsünü omuzlar, kalçalar, dirsekler ve bilekler gibi 33 ana vücut noktasına—basit 2B koordinatlar olarak—dönüştürdü. Bu, zengin görüntüleri duruşun kompakt sayısal tanımlarına çevirdi.

Sistem Hareketinizi Nasıl Değerlendiriyor

Bu iskelet noktalarının üzerine araştırmacılar, iyi ve kötü pozları ayırt edebilecek en iyi yöntemi görmek için sekiz klasik makine öğrenimi yöntemini karşılaştırdı. Büyük veri setleri ve güçlü grafik kartları gerektiren derin sinir ağları yerine, günlük makinelerde hızlı çalışacak algoritmalara odaklandılar. Birçok basit karar ağacını birleştiren Random Forest adlı yöntem açık ara öne çıktı; poz kalitesini yaklaşık %98,5 doğrulukla sınıflandırıyor ve gerçekten doğru bir pozu nadiren kaçırıyordu. Ayrıca daha zor bir görevi de başardı: yalnızca kaliteyi değil, kullanıcının denediği beş pozdan hangisini tanımayı da gerçekleştirdi; bazı duruşlar çok benzer görünse bile %97’nin üzerinde doğruluk elde etti.

Hareketten Kişisel Bir Dunhuang Posterine

Model eğitildikten sonra, etkileşimli bir programa dört ana aşama halinde gömüldü. İlk olarak kullanıcı hedef pozu ve isteğe bağlı görsel efektleri seçer, ardından bir web kamerasının önünde durur. Sistem iskeletini gerçek zamanlı olarak saniyede yaklaşık 20–25 kare hızında izler, sürekli olarak hem hangi pozu yaptıklarını hem de bunu ne kadar iyi yaptıklarını kontrol eder. Birisi doğru pozu birkaç saniye boyunca sabit tutunca, sistem bir kare yakalar, arka plandan kesip çıkarır ve figürlerini Dunhuang esintili bir sahneye—duvar resmi tarzı renkler, hale ve eklemlerine hizalanmış kurdelelerle—kompoze eder. Kullanıcılar bu dikey posteri görüntüleyip indirebilir; canlı hareketlerini antik mağara sanatının görsel diliyle harmanlayan bir sonuç ortaya çıkar.

Gelenekleri Yaşatmak İçin Neden Önemli

Uzman olmayanlar için temel çıkarım, bir dans geleneğini korumanın yalnızca videoları kaydetmekle ilgili olmadığı; insanları bu hareketleri kendi bedenlerinde somutlaştırmaya davet etmekle ilgili olduğudur. Bu çalışma, nispeten basit, şeffaf algoritmalar ve mütevazı bir veri setinin, öğrenmeyi yönlendirecek kadar duyarlı hissettiren hızlı ve doğru geri bildirim sağlayabileceğini gösteriyor. Doğru pozları paylaşılabilir Dunhuang tarzı posterlere dönüştürerek, sistem uygulamayı sınavdan ziyade oyunlu bir kültürel deneyime çeviriyor. Yazarlar bunu "performatif koruma"ya giden bir adım olarak görüyor: mirasın sadece izlenip arşivlenmesi değil, aynı zamanda etkileşimli teknoloji kullanılarak yeniden canlandırılması ve hissedilmesi, antik duvar resmi figürlerinin bugünün öğrenenlerinin bedenleri aracılığıyla dans etmeye devam etmesine yardımcı oluyor.

Atıf: Fu, Q., Zhou, Y. & Ding, X. Pose-based embodied interaction for digital Dunhuang dance heritage. npj Herit. Sci. 14, 223 (2026). https://doi.org/10.1038/s40494-026-02470-2

Anahtar kelimeler: Dunhuang dansı, somut olmayan kültürel miras, poz tanıma, etkileşimli öğrenme, kültürel miras teknolojisi