نکسینو

هوشمندی
در هـــــر لــــحـــــــظه

هوش مصنوعی در ساخت تصویر متحرک طی مدت کوتاهی از یک ابزار آزمایشی به بخشی جدی از فرایند تولید و پیش‌تولید تبدیل شده است. امروز می‌توان با یک توضیح متنی، پلان‌هایی با نورپردازی پیچیده، حرکت دوربین، بازیگر مجازی، دکور، افکت‌های جوی و حتی میزانسن‌های نسبتاً پیچیده ساخت. همین پیشرفت باعث شده بسیاری از تولیدکنندگان محتوا و حتی بخشی از صنعت سینما به این سؤال فکر کنند که آیا می‌توان بخش مهمی از تصویربرداری را به مدل‌های مولد سپرد. اما مسئله اصلی در سینما «ساختن یک تصویر زیبا» نیست. یک پلان سینمایی باید در طول زمان پایدار بماند، با پلان قبل و بعد ارتباط داشته باشد، منطق میزانسن را حفظ کند، حرکت دوربین قابل‌فهمی داشته باشد، بازی بازیگر از نظر زمانی پیوسته باشد و عناصر بصری آن از فریمی به فریم دیگر تغییر نکنند. اینجاست که بسیاری از خطاهای هوش مصنوعی آشکار می‌شوند. مدل ممکن است یک فریم خیره‌کننده تولید کند، اما وقتی همان تصویر قرار است برای چند ثانیه حرکت کند، مشکلاتی مانند تغییر چهره، تغییر اندازه اجسام، اختلال در پرسپکتیو، حرکت غیرممکن دوربین، شکستن منطق نور و ناپایداری میزانسن ظاهر می‌شوند. به همین دلیل، برای ارزیابی کیفیت AI Video نباید فقط پرسید: «آیا تصویر زیباست؟» سؤال درست این است: آیا این تصویر می‌تواند به‌عنوان یک پلان واقعی در یک سکانس سینمایی عمل کند؟ پلان سینمایی فقط یک تصویر متحرک نیست در نگاه اول شاید تفاوت میان یک ویدئوی تولیدشده با هوش مصنوعی و یک پلان سینمایی واقعی بسیار کم به نظر برسد. هر دو می‌توانند شخصیت، دوربین، حرکت و نور داشته باشند. اما پلان سینمایی در یک شبکه پیچیده از روابط قرار دارد. محل دوربین نسبت به بازیگر مشخص است. جهت نگاه بازیگر باید با محور صحنه هماهنگ باشد. نور باید از منبع مشخصی پیروی کند. موقعیت دست و بدن بازیگر باید در برش بعدی ادامه پیدا کند. فاصله کانونی باید منطق پرسپکتیو مشخصی ایجاد کند. حرکت دوربین باید وزن و شتاب داشته باشد. و مهم‌تر از همه، هر پلان باید بخشی از روایت باشد. هوش مصنوعی معمولاً در تولید یک نمای منفرد توانایی زیادی دارد، اما سینما به انسجام میان نماها نیاز دارد. این تفاوت، منشأ بخش بزرگی از خطاهای AI در ساخت پلان است. بزرگ‌ترین مشکل؛ ناپایداری زمانی یکی از شناخته‌شده‌ترین مشکلات ویدئوهای تولیدشده با هوش مصنوعی، Temporal Inconsistency یا ناپایداری زمانی است. یک فریم ممکن است کاملاً طبیعی باشد، اما در فریم بعد: فرم گوش تغییر کند، مدل مو کمی متفاوت شود، بافت لباس عوض شود، دکمه‌ای ظاهر یا ناپدید شود، یا حتی ساختار صورت تغییر کوچکی داشته باشد. وقتی این تغییرات در چندین فریم پشت سر هم اتفاق می‌افتند، مخاطب احساس می‌کند تصویر «نفس می‌کشد» یا بافت آن دائماً در حال تغییر است. در تصویر ثابت، این خطا شاید اصلاً دیده نشود. اما در حرکت به شکل: Flicker، Texture Crawling، Shape Drift، و Identity Drift ظاهر می‌شود. این مسئله در کلوزآپ صورت شدیدتر است، زیرا چشم انسان نسبت به کوچک‌ترین تغییر در چهره بسیار حساس است. در فیلم‌برداری واقعی، چهره بازیگر ممکن است به دلیل نور یا زاویه کمی متفاوت دیده شود، اما ساختار اصلی آن ثابت می‌ماند. در خروجی AI، خود ساختار می‌تواند از فریم به فریم بازتولید شود. خطای هویت بازیگر؛ وقتی شخصیت در میانه پلان عوض می‌شود برای ساخت سکانس سینمایی، حفظ هویت شخصیت اهمیت اساسی دارد. مدل‌های مولد هنوز ممکن است در پلان‌های طولانی یا نماهای پیچیده نتوانند جزئیات هویت یک کاراکتر را به‌طور کاملاً پایدار حفظ کنند. مشکل فقط تغییر صورت نیست. ممکن است: فاصله چشم‌ها تغییر کند، مدل بینی متفاوت شود، سن شخصیت کمی بالا یا پایین برود، وزن بدن تغییر کند، رنگ چشم متفاوت شود، یا حتی ساختار مو در میانه حرکت تغییر کند. این مسئله در نماهایی که شخصیت: می‌چرخد، از دوربین فاصله می‌گیرد، بخشی از صورتش پنهان می‌شود، یا دوباره وارد قاب می‌شود، شدیدتر است. مدل باید چیزی را که چند فریم قبل دیده نمی‌شده، دوباره بازسازی کند. اگر این بازسازی دقیق نباشد، شخصیت تبدیل به نسخه‌ای تقریباً مشابه از خودش می‌شود. برای یک ویدئوی کوتاه شبکه اجتماعی شاید این خطا قابل‌چشم‌پوشی باشد. برای سینما، غیرقابل‌قبول است. دست‌ها؛ هنوز یکی از نقاط شکننده تصویر مولد دست انسان یکی از پیچیده‌ترین ساختارهای بصری برای مدل‌های مولد است. در پلان سینمایی، مشکل فقط تعداد انگشتان نیست. حرکت دست شامل: مفصل‌ها، تماس با اشیا، فشار، گرفتن، رهاکردن، تغییر زاویه، و هماهنگی با حرکت بدن است. وقتی شخصیت لیوانی را برمی‌دارد، باید مشخص باشد: انگشت‌ها از کجا دور لیوان قرار می‌گیرند، وزن جسم چگونه روی دست اثر می‌گذارد، لیوان چگونه حرکت می‌کند، و تماس دست با سطح چگونه قطع می‌شود. مدل ممکن است نتیجه ظاهراً قابل‌قبولی تولید کند، اما در چند فریم دست و جسم در یکدیگر فرو بروند یا انگشت‌ها شکل غیرممکنی پیدا کنند. این خطا در صحنه‌هایی مانند: بازکردن در، نوشتن، گرفتن تلفن، بستن دکمه، کار با ابزار، یا تماس دو شخصیت بسیار بیشتر دیده می‌شود. خطای تماس فیزیکی؛ وقتی اجسام وزن ندارند یکی از تفاوت‌های مهم فیلم واقعی و تصویر مولد، حس وزن است. در دنیای واقعی، هر جسم: جرم دارد، اصطکاک دارد، مقاومت ایجاد می‌کند، و به نیروی واردشده واکنش نشان می‌دهد. اگر فردی روی صندلی بنشیند، بدن او متوقف می‌شود، لباس تغییر شکل می‌دهد و سطح صندلی ممکن است کمی واکنش نشان دهد. اما در ویدئوهای مولد، تماس‌ها گاهی فقط «شبیه» تماس هستند. دست ممکن است بدون فشار واقعی روی میز قرار بگیرد. شخصیت ممکن است جسمی را بدون تغییر در حالت بدن بلند کند. دو سطح ممکن است لحظه‌ای در هم فرو بروند. این خطا را می‌توان «فقدان فیزیک ضمنی» نامید. تصویر می‌داند که دست باید نزدیک لیوان باشد، اما الزاماً نمی‌داند گرفتن لیوان از نظر مکانیکی چه معنایی دارد. خطای حرکت بدن و بیومکانیک انسان هنگام راه‌رفتن، نشستن یا چرخیدن مجموعه‌ای از روابط پیچیده حرکتی دارد. مرکز ثقل جابه‌جا می‌شود.لگن و شانه‌ها خلاف جهت یکدیگر حرکت می‌کنند. پا وزن بدن را دریافت می‌کند. حرکت دست‌ها با گام‌ها هماهنگ است. در ویدئوهای AI ممکن است حرکت در نگاه اول طبیعی به نظر برسد، اما هنگام مشاهده دقیق: گام‌ها سر بخورند، پا با زمین تماس واقعی نداشته باشد، بدن بدون انتقال وزن بچرخد، یا حرکت مفصل‌ها بیش از محدوده طبیعی باشد. این خطا به‌خصوص