Meta تطلق Sapiens2: نموذج موحد للرؤية الحاسوبية لتقدير الوضعية والتجزئة والبعد الثلاثي

أصدرت Meta Reality Labs الجيل الجديد Sapiens2 من نماذج الرؤية المتمحورة حول الإنسان (human-centric vision)، في محاولة لاستبدال مجموعة متفرقة من الشبكات المتخصصة بأساس واحد مشترك. وجمعت الشركة في عائلة واحدة مهام تُنجز عادةً بشكل منفصل: تقدير وضعية الإنسان، وتجزئة أجزاء الجسم، واستعادة normals الأسطح، وpointmap للهندسة ثلاثية الأبعاد، وتقدير albedo. وهذه إشارة مهمة للسوق: فـ Meta تواصل الرهان لا على الذكاء الاصطناعي التوليدي وحده، بل أيضاً على الرؤية الحاسوبية التطبيقية التي تحتاجها أجهزة الواقع المعزز (AR) والأفاتارات الرقمية والتجربة الافتراضية للملابس والتقاط الحركة (motion capture) وتحليل الفيديو.

الفكرة الرئيسية في Sapiens2 أن بنية أساسية واحدة قادرة على العمل في عدة مستويات من فهم الإنسان داخل الإطار في آن واحد. فلم يعد النظام بحاجة إلى شبكة مستقلة للهيكل العظمي، وأخرى لتوسيم الجسم، وثالثة لهندسة السطح. وتؤكد Meta أن backbone واحداً يغطي كل هذه السيناريوهات بعد الضبط الدقيق (fine-tuning). ومن الناحية العملية، يبسّط هذا خط الإنتاج: عدد أقل من المكونات، وتفاوت أقل بين النماذج، وتكاليف دعم أقل. وتضم نقاط التحقق (checkpoints) المنشورة، من بين ما تضمه، نموذجاً لتقدير الوضعية بنهج top-down على 308 نقاط مفتاحية، تشمل نقاطاً تفصيلية للوجه واليدين والقدمين، إضافة إلى تجزئة إلى 29 فئة من أجزاء الجسم.

لا يقتصر التحديث الجوهري على مجموعة المهام، بل يشمل أيضاً طريقة تدريب النموذج. فقد جرى التدريب المسبق لـ Sapiens2 على مجموعة بيانات منتقاة تضم مليار صورة عالية الجودة لأشخاص. وفي مرحلة pretraining جمعت Meta بين إعادة بناء الصور المقنَّعة (masked image reconstruction) وهدف تبايني ذاتي التقطير (self-distilled contrastive objective)، كي يحتفظ النموذج في الوقت نفسه بالتفاصيل منخفضة المستوى اللازمة للتنبؤ الكثيف (dense prediction)، وبالدلالات عالية المستوى لسيناريوهات zero-shot وfew-label. كما استخدمت البنية تقنيات مأخوذة من نماذج frontier الأحدث، لتتحمل دورات تدريب أطول دون فقدان الاستقرار. وتتدرج العائلة من 0,4 إلى 5 مليارات معامل، وتعمل بدقة أصلية 1K، بينما تدعم النسخ الهرمية دقة 4K وتستخدم windowed attention لسياق مكاني أطول.

مقارنةً بالجيل الأول Sapiens، تعلن Meta عن تحسن ملحوظ في معظم المقاييس الرئيسية. ففي مهمة pose estimation تضيف النسخة الجديدة 4 نقاط mAP، وفي body-part segmentation تضيف 24,3 نقطة mIoU، وفي تقدير surface normals تخفض الخطأ الزاوي بنسبة 45,6%.

ومن المهم أيضاً أن Sapiens2 يتجاوز المهام المعتادة التي قدمها الإصدار الأول. فالعائلة قادرة الآن على بناء pointmap، أي التنبؤ بإحداثيات ثلاثية الأبعاد لكل بكسل في نظام إحداثيات الكاميرا، والتعامل مع albedo، وهو اللون الأساسي للسطح بمعزل عن تأثير الإضاءة. وهذا مفيد بوجه خاص للأفاتارات والواقع المعزز والتجربة الافتراضية للملابس، إذ تساعد هذه التمثيلات على استعادة شكل الإنسان بدقة أكبر، ونقل الإضاءة، وبناء مشاهد ثلاثية الأبعاد أكثر واقعية انطلاقاً من صورة عادية.

تكمن القيمة العملية للإصدار في أن Meta لم تكتفِ بنشر بحثي. فقد رفعت الشركة عائلة Sapiens2 على Hugging Face ونشرت الشيفرة على GitHub، وتتوافر في المجموعة نسخ منفصلة لـ pose وsegmentation وnormals وpointmap. ويخفض ذلك عتبة الدخول أمام الفرق التي تبني منتجات حول الرؤية الحاسوبية للإنسان، من تطبيقات اللياقة وأنظمة تحليل الفيديو إلى واجهات XR والشخصيات الافتراضية.

ومع ذلك، ينبغي التذكير بأن Sapiens2 ليس نموذجاً شاملاً لأي مهمة رؤية حاسوبية، بل حزمة قوية للصور المتمحورة حول الإنسان تحديداً. أي أن مجال قوته الرئيسي هو الإطارات التي يبقى فيها الإنسان هو الكائن المركزي، بوضعيته وسطحه وملابسه وهندسة جسمه.

ما يعنيه ذلك عملياً: تخطو Meta خطوة جديدة نحو visual backbone موحد لكل ما يتعلق بالإنسان في الإطار. وإذا تأكدت النتائج المعلنة في سيناريوهات الإنتاج الفعلية، فستمتلك الشركة قاعدة قوية لمنتجاتها في XR، وتضع في الوقت نفسه معياراً جديداً للأبحاث المفتوحة في الرؤية المتمحورة حول الإنسان. وهو مثال جيد للسوق على أن نماذج الأساس (foundation models) بدأت تحقق فائدة لا في النصوص والتوليد فحسب، بل أيضاً في مهام الرؤية الحاسوبية الدقيقة والهندسية.

*تُصنَّف Meta منظمة متطرفة ومحظورة في روسيا.