AnchorDEF：面向三维服装动画的锚点变换学习
计算机视觉与模式识别
2023-04-04 v1
摘要
本文提出一种基于锚点的形变模型，即 AnchorDEF，用于从人体运动序列预测三维服装动画。该方法通过刚性变换的混合并辅以额外非线性位移来形变服装网格模板。在网格表面周围引入一组锚点以引导刚性变换矩阵的学习。一旦获得锚点变换，便可在规范空间中回归服装模板的逐顶点非线性位移，从而降低形变空间学习的复杂度。通过显式约束变换后的锚点满足位置、法向与方向的一致性，保证了所学锚点变换在空间中的物理意义，以获得更好的泛化能力。此外，提出一种自适应锚点更新方法，通过感知局部网格拓扑来优化锚点位置，从而学习具有代表性的锚点变换。在不同类型服装上的定性与定量实验表明，AnchorDEF 在运动中的三维服装形变预测上达到了最先进的性能，尤其适用于宽松服装。
引用
@article{arxiv.2304.00761,
title = {Learning Anchor Transformations for 3D Garment Animation},
author = {Fang Zhao and Zekun Li and Shaoli Huang and Junwu Weng and Tianfei Zhou and Guo-Sen Xie and Jue Wang and Ying Shan},
journal= {arXiv preprint arXiv:2304.00761},
year = {2023}
}
备注
Accepted to CVPR 2023. Project page: https://semanticdh.github.io/AnchorDEF