AutoAvatar：用于动态虚拟人建模的自回归神经场
计算机视觉与模式识别
2022-03-28 v1 图形学
摘要
隐式曲面等神经场近期已实现从原始扫描中建模虚拟人而无需显式时间对应。本工作中，我们利用自回归建模进一步扩展该思想以捕捉动态效应，如软组织形变。尽管自回归模型天然擅长处理动态，但将其应用于隐式表征并非易事，因为显式状态解码由于极高的内存需求而不可行。本工作中，我们首次实现了隐式虚拟人的自回归建模。为缓解内存瓶颈并高效建模动态隐式曲面，我们引入关节观察者点的概念，其将隐式状态与参数化人体模型的显式表面相关联。我们证明，将隐式曲面编码为定义于关节观察者点上的高度场集合，相比潜在表征可显著提升泛化能力。实验表明，我们的方法优于当前最优方法，即便对未见运动也能实现合理的动态形变。https://zqbai-jeremy.github.io/autoavatar
引用
@article{arxiv.2203.13817,
title = {AutoAvatar: Autoregressive Neural Fields for Dynamic Avatar Modeling},
author = {Ziqian Bai and Timur Bagautdinov and Javier Romero and Michael Zollhöfer and Ping Tan and Shunsuke Saito},
journal= {arXiv preprint arXiv:2203.13817},
year = {2022}
}
备注
Project page: https://zqbai-jeremy.github.io/autoavatar