HuMoT：基于拓扑无关 Transformer 的人体运动表征用于角色动画重定向

运动重定向是角色动画中一个长期存在的问题，其目的在于将源角色的运动转移并适配到另一目标角色。一个典型应用是通过将现成运动转移到新角色上来创建运动序列。运动重定向也有望提升现有动画系统与运动数据库的互操作性，因为它们所考虑的骨骼结构常常不同。此外，由于运动重定向的目标是抽象并转移运动动力学，有效的解决方案可能提供更具表现力且强大的人体运动模型，使清理或编辑等操作更为容易。本文中，我们提出一种用于重定向的新型神经网络架构，其提取一种与骨骼拓扑和形态无关的人体运动抽象表征。基于 transformers，我们的模型能够编码和解码具有可变形态与拓扑的运动序列——扩展了当前重定向的范围——同时支持训练阶段未见的骨骼拓扑。更具体地，我们的模型结构为一个自动编码器，编码和解码分别以骨骼模板为条件以提取和控制形态与拓扑。除运动重定向外，我们的模型具有许多应用，因为我们的抽象表征是嵌入来自不同来源运动数据的便利空间。它可能对众多数据驱动方法有益，使它们能够结合稀缺的专用运动数据集（例如带风格或接触标注的）与更大的通用运动数据集，从而提升性能与泛化能力。此外，我们展示了我们的模型可用于重定向之外的其他应用，包括运动去噪和关节上采样。