生成式中间帧插值：三维人体运动的长期中间化
计算机视觉与模式识别
2020-05-29 v2 图形学
摘要
数十年来，大规模生成复杂且逼真、并遵循特定艺术约束的人体动画，一直是游戏与动画行业的根本目标。流行技术包括关键帧、基于物理的仿真以及通过运动图的数据库方法。近来，基于深度学习的运动生成器被引入。尽管这些学习模型能自动生成任意长度的高度复杂风格化运动，它们仍缺乏用户控制。为此，我们提出长期中间化问题，即根据用户给出的极稀疏关键帧，自动合成长时间间隔内的复杂运动。我们指出了与该问题相关的一些挑战，包括维持生物力学与关键帧约束、保持自然运动、以及在考虑所有约束的同时整体设计整个运动序列。我们引入了一个生物力学约束的生成对抗网络，用于在关键帧约束条件下进行人体运动的长期中间化。该网络使用一种新颖的两阶段方法，首先预测以关节角形式的局部运动，然后预测全局运动，即角色所遵循的全局路径。由于通常存在若干可能满足给定用户约束的运动，我们还使网络能以我们称为运动DNA的方案生成多种输出。该方法允许用户通过向网络输入种子运动（DNA）来操纵和影响输出内容。我们的网络使用79类捕获的运动数据训练，在多种高度复杂运动风格上表现稳健。
引用
@article{arxiv.2005.08891,
title = {Generative Tweening: Long-term Inbetweening of 3D Human Motions},
author = {Yi Zhou and Jingwan Lu and Connelly Barnes and Jimei Yang and Sitao Xiang and Hao li},
journal= {arXiv preprint arXiv:2005.08891},
year = {2020}
}