基于深度 $\Delta$-插值器的人体运动插值
机器学习
2022-08-18 v4
摘要
我们表明，在以一组关键帧为条件合成人体运动的任务中，若基于深度学习的插值器以球面线性插值器为基线、在 delta 模式下运行，则可更精确有效地求解。我们在公开可用数据集上实证展示了该方法的有效性，取得了最先进的性能。我们进一步推广这些结果，表明 -机制相对于最后一已知帧（亦称零速度模型）的参考系同样可行。这支持了更具一般性的结论：在输入帧局部的参考系中操作比先前工作所倡导的全局（世界）参考系更精确、更鲁棒。我们的代码公开于 https://github.com/boreshkinai/delta-interpolator。
引用
@article{arxiv.2201.06701,
title = {Motion Inbetweening via Deep $\Delta$-Interpolator},
author = {Boris N. Oreshkin and Antonios Valkanas and Félix G. Harvey and Louis-Simon Ménard and Florent Bocquelet and Mark J. Coates},
journal= {arXiv preprint arXiv:2201.06701},
year = {2022}
}