مجالات إشعاع الأعصاب (NeRF)

تعد حقول الإشعاع العصبي (NeRF) تقنية للتعلم العميق قوية تُستخدم لإنشاء مشاهد ثلاثية الأبعاد مذهلة من مجموعة من الصور ثنائية الأبعاد. بشكل أساسي، يتعلم نموذج NeRF تمثيلًا حجميًا مستمرًا للمشهد، مما يسمح له بإنشاء طرق عرض جديدة وواقعية من أي زاوية. أحدثت هذه الطريقة، التي تم تقديمها في ورقة بحثية رائدة عام 2020، ثورة في إنشاء المحتوى ثلاثي الأبعاد من خلال تمكين تركيب عرض واقعي ومفصل للغاية. جوهر NeRF هو شبكة عصبية (NN) صغيرة تعمل كتمثيل "ضمني" للمشهد، وهو نهج مختلف جوهريًا عن النماذج ثلاثية الأبعاد التقليدية مثل الشبكات أو وحدات البكسل الحجمية.

كيف تعمل مجالات الإشعاع العصبي؟

يتعلم NeRF تعيين إحداثي ثلاثي الأبعاد (نقطة في الفضاء) واتجاه عرض ثنائي الأبعاد إلى لون وكثافة محددين. لتقديم صورة من كاميرا افتراضية، يتتبع النموذج الأشعة من وجهة نظر الكاميرا عبر المشهد. يستعلم عن الشبكة العصبية في العديد من النقاط على طول كل شعاع للتنبؤ باللون والكثافة في كل نقطة. ثم يتم دمج هذه القيم باستخدام عملية تعرف باسم التقديم الحجمي لحساب اللون النهائي للبكسل في الصورة ثنائية الأبعاد.

من خلال تدريب هذه الشبكة العصبية على مجموعة من الصور المدخلة لمشهد من مواضع كاميرا معروفة، يتم تحسين أوزان النموذج لإعادة إنتاج تلك الصور الأصلية بدقة. بمجرد التدريب، يمكن لـ NeRF إنشاء طرق عرض جديدة عن طريق عرض الأشعة من مواضع كاميرا جديدة غير مرئية. هذه التقنية هي جزء من المجال الأوسع لـ الذكاء الاصطناعي التوليدي وتعتمد على أطر عمل شائعة مثل PyTorch و TensorFlow للتنفيذ.

التطبيقات والأمثلة الواقعية

تتمتع تقنية NeRF بمجموعة واسعة من التطبيقات، حيث تسد الفجوة بين الصور ثنائية الأبعاد والتجارب ثلاثية الأبعاد التفاعلية.

• إعادة بناء المشهد ثلاثي الأبعاد: تتفوق NeRFs في إنشاء توائم رقمية للبيئات والكائنات الواقعية. ومن الأمثلة البارزة على ذلك "Immersive View" في خرائط Google، والتي تستخدم NeRFs لبناء نماذج ثلاثية الأبعاد تفصيلية وتفاعلية للمدن. هذا له تطبيقات في التخطيط الحضري والسياحة الافتراضية والحفاظ على التراث الثقافي.
• المؤثرات البصرية (VFX) والترفيه: القدرة على إنشاء مناظر واقعية للغاية لا تقدر بثمن في صناعة الأفلام وألعاب الفيديو. يمكن استخدام NeRFs لإنشاء مجموعات افتراضية واقعية ورقمنة الممثلين وإنشاء مؤثرات بصرية معقدة يصعب تحقيقها بالطرق التقليدية. تقوم شركات مثل Luma AI بتطوير أدوات لجعل هذه التقنية أكثر سهولة.
• الروبوتات والأنظمة الذاتية: بالنسبة إلى المركبات ذاتية القيادة والروبوتات، يعد فهم البيئة ثلاثية الأبعاد أمرًا بالغ الأهمية للتنقل والتفاعل. يمكن لـ NeRFs توفير خريطة ثلاثية الأبعاد غنية ومفصلة من بيانات المستشعر، مما يحسن قدرة الروبوت على إدراك محيطه.
• التجارة الإلكترونية والبيع بالتجزئة: يمكن استخدام NeRF لإنشاء نماذج ثلاثية الأبعاد تفاعلية للمنتجات، مما يسمح للعملاء بعرض العناصر من أي زاوية عبر الإنترنت، مما يعزز تجربة التسوق.

جعلت مشاريع مثل Nerfstudio و Instant-NGP (Instant NeRFs) من الأسرع والأسهل تدريب NeRFs والتجربة بها بشكل ملحوظ.

NeRF مقابل تقنيات رؤية الكمبيوتر الأخرى

من المهم التمييز بين NeRF والتقنيات الأخرى في رؤية الكمبيوتر (CV).

• NeRF مقابل التصوير المساحي (Photogrammetry): التصوير المساحي هو تقنية تقليدية تقوم أيضًا بإنشاء نماذج ثلاثية الأبعاد من الصور، ولكنه عادةً ما ينتج هندسة صريحة مثل شبكة مضلعة. على النقيض من ذلك، تنشئ NeRFs تمثيلًا ضمنيًا ومستمرًا. يتيح ذلك لـ NeRFs التقاط تأثيرات بصرية معقدة مثل الشفافية والانعكاسات والتفاصيل الدقيقة بشكل أكثر فعالية من التصوير المساحي القياسي.
• NeRF مقابل اكتشاف الكائنات (Object Detection): تم تصميم نماذج مثل Ultralytics YOLO من أجل اكتشاف الكائنات (object detection)، و تقسيم الصور (image segmentation)، ومهام تحليلية أخرى. إنها تحدد ما هو موجود في الصورة، غالبًا عن طريق وضع مربعات إحاطة (bounding boxes) حول الكائنات. لدى NeRF هدف مختلف: فهو يركب طرق عرض جديدة تمامًا لمشهد من مجموعة من الصور. في حين أن كلاهما أدوات ذكاء اصطناعي قوية، فإن اكتشاف الكائنات يحلل الصور الموجودة، بينما يقوم NeRF بإنشاء صور جديدة. قد تستخدم نموذج اكتشاف الكائنات (object detection model) لتحديد موقع السيارات في مقطع فيديو، ولكنك ستستخدم NeRF لإنشاء نموذج ثلاثي الأبعاد لسيارة يمكنك عرضها من أي زاوية.

مع تطور المجال، أصبحت NeRF والطرق ذات الصلة مركزية في إنشاء الجيل التالي من المحتوى ثلاثي الأبعاد والغامر، مع دعم التطوير من خلال منصات مثل Ultralytics HUB التي تسهل تطوير نموذج الذكاء الاصطناعي.