三维人体形状风格迁移

我们考虑修改/替换真实运动角色的形状风格为任意静态真实源角色形状风格的问题。传统方案遵循从运动角色到源角色形状的姿态迁移策略，依赖于骨骼姿态参数化。在本文中，我们探索一种替代方法，将源形状风格迁移到运动角色上。预期好处是避免对真实角色应用骨骼参数化时固有的困难姿态到形状转换。为此，我们考虑图像风格迁移技术，并研究如何将其适配到三维人体形状。自适应实例归一化（AdaIN）与 SPADE 架构已被证明能够高效且准确地将一幅图像的风格迁移到另一幅图像，同时保留原图像结构。其中 AdaIN 通过基于主体统计量的模块执行风格迁移，SPADE 通过残差块架构提升风格迁移质量。我们证明这些方法可扩展到三维形状领域，提出一种卷积神经网络，应用保留形状结构（形状姿态）同时迁移新主体形状风格的相同原理。生成结果通过判别器模块进行监督以评估形状真实感，同时迫使解码器合成合理形状并改进对未见主体的风格迁移。我们的实验表明，通过基于优化与基于学习的方法，形状迁移相较基线在定性与定量上平均提升约 $56\%$。