可逆神经蒙皮
计算机视觉与模式识别
2023-03-07 v2 图形学
摘要
从原始三维扫描和姿态构建可动画化且可编辑的着装人体模型是一个具有挑战性的问题。现有的重姿态方法受限于线性混合蒙皮（LBS）有限的表达能力，需要昂贵的网格提取来生成每个新姿态，并且通常无法在不同姿态间保持表面对应关系。在这项工作中，我们引入了可逆神经蒙皮（INS）来解决这些缺点。为了保持对应关系，我们提出了一种姿态条件可逆网络（PIN）架构，该架构通过学习额外的姿态变化形变来扩展 LBS 过程。接下来，我们将 PIN 与一个可微分的 LBS 模块相结合，构建了一个富有表现力且端到端的可逆神经蒙皮（INS）流水线。我们通过超越最先进的着装人体重姿态技术并保持表面对应关系，同时速度快一个数量级，证明了我们方法的强大性能。我们还进行了消融研究，显示了姿态条件公式的有效性，并且我们的定性结果表明 INS 能够很好地修正 LBS 引入的伪影。更多细节请访问我们的网页：https://yashkant.github.io/invertible-neural-skinning/
引用
@article{arxiv.2302.09227,
title = {Invertible Neural Skinning},
author = {Yash Kant and Aliaksandr Siarohin and Riza Alp Guler and Menglei Chai and Jian Ren and Sergey Tulyakov and Igor Gilitschenski},
journal= {arXiv preprint arXiv:2302.09227},
year = {2023}
}