PhaseBetweener

위상 매니폴드를 통한 모션 간
제22회 ACM SIGGRAPH/EUROGRAPHICS 컴퓨터 애니메이션 심포지엄(SCA 2023)에서
_{폴 스타크, 세바스찬 스타크, 코무라 타쿠, 프랭크 스타이니케
진행 ACM 컴퓨팅. 그래프. 상호작용. 기술. 6, 3, 제37조(2023년 8월), 17쪽. https://doi.org/10.1145/3606921}

추상적인

이 작업에서는 주기적 자동 인코더에서 학습한 위상 변수를 활용하여 캐릭터의 목표 포즈에 도달하는 새로운 데이터 기반 모션 간 시스템을 도입합니다. 이 접근 방식은 전문가 혼합 신경망 모델을 활용합니다. 여기서 단계는 서로 다른 전문가 가중치를 사용하여 공간과 시간 모두에서 움직임을 클러스터링합니다. 생성된 각 가중치 세트는 캐릭터의 현재 상태와 대상 상태 사이에서 자동 회귀 방식으로 일련의 포즈를 생성합니다. 또한 애니메이터가 수동으로 수정하는 포즈나 특정 엔드 이펙터가 애니메이션에서 도달해야 하는 제약 조건으로 사용되는 경우 학습된 양방향 제어 방식을 구현하여 이러한 제약 조건을 충족합니다. 작업 간 동작에 위상을 사용하면 보간된 동작이 선명해지고 학습 과정이 더욱 안정화됩니다. 더욱이, 운동 동작을 넘어서 더욱 도전적인 움직임을 합성할 수 있습니다. 또한 지정된 대상 키프레임 간에 스타일 제어가 활성화됩니다. 프레임워크는 특히 전환 기간이 긴 경우 모션 품질 및 일반화 측면에서 모션 간 모션을 위한 최첨단 방법과 경쟁할 수 있습니다. 이 프레임워크는 게임 및 영화 산업에서 큰 관심을 끌고 있는 애니메이션 캐릭터 시퀀스를 만들기 위한 프로토타입 작업 흐름을 더욱 빠르게 만드는 데 도움이 됩니다.

- 비디오 - 종이 - 코드, 데모 및 도구 - ReadMe

저작권 정보

본 프로젝트는 연구나 교육 목적으로만 사용 가능하며, 상업적인 이용이나 재배포가 불가능합니다. ubisoft-laforge의 모션 캡처 데이터와 3D 캐릭터 모델은 Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International Public License의 조건에 따라서만 사용할 수 있습니다.