NeMF：用于运动学动画的神经运动场
计算机视觉与模式识别
2022-10-11 v3 图形学
摘要
我们提出了一种隐式神经表示来学习运动学运动的时空空间。与以往将运动表示为离散顺序样本的工作不同，我们提议将广阔的运动空间表达为随时间连续的函數，因此得名神经运动场（NeMF）。具体而言，我们使用神经网络为多种运动集合学习该函數，其被设计为一个以时间坐标 和用于控制风格的随机向量 为条件的生成模型。该模型随后作为变分自编码器（VAE）与运动编码器一起训练以采样潜空间。我们使用多样化的人体运动数据集和四足动物数据集训练我们的模型以证明其通用性，并最终将其部署为通用运动先验来解决任务无关问题，并展示其在不同运动生成与编辑应用（如运动插值、中间帧生成和重新导航）中的优越性。更多细节可在我们的项目页面找到：https://cs.yale.edu/homes/che/projects/nemf/。
引用
@article{arxiv.2206.03287,
title = {NeMF: Neural Motion Fields for Kinematic Animation},
author = {Chengan He and Jun Saito and James Zachary and Holly Rushmeier and Yi Zhou},
journal= {arXiv preprint arXiv:2206.03287},
year = {2022}
}
备注
Accepted to NeurIPS 2022. Project page: https://cs.yale.edu/homes/che/projects/nemf/