محققان در تازه‌ترین دستاورد خود، تکنیک جدیدی به نام ProxyPose را برای ردیابی دقیق موقعیت و حرکت اشیاء (6-DoF) در ویدیو معرفی کردند. این متد برخلاف روش‌های سنتی که به مدل‌های سه‌بعدی یا داده‌های پیچیده نیاز دارند، از مدل‌های «انتشار ویدیو» (Video Diffusion Models) استفاده می‌کند.
✨ چرا ProxyPose جذاب است؟
این مدل می‌تواند بدون نیاز به آموزش‌های سنگین روی داده‌های واقعی، چالش‌برانگیزترین سوژه‌ها مثل سطوح شفاف، بازتابنده یا تغییرشکل‌دهنده را تنها با دیدن یک ویدیو و یک نقطه نشان‌گذاری شده، با دقت خیره‌کننده‌ای ردیابی کند. این یعنی گامی بزرگ به سوی بینایی ماشین که می‌تواند مثل انسان، حرکت اجسام در محیط‌های پیچیده را درک کند.
منبع: arXiv Computer Vision