神经体积混合形状：计算高效的基于物理的面部混合形状
摘要：计算能力低的系统和要求较高的图形应用程序仍然主要依赖于线性混合形状进行面部动画。通过使用基于物理的动画模型，可以避免出现自相交、体积损失或缺失的软组织弹性等问题。然而，实施这些模型非常麻烦并且需要大量计算工作。我们提出了神经容积混合形状，这种方法结合了基于物理的模拟的优势，并且在消费级CPU上实时运行。为此，我们提出了一种神经网络，该网络可以高效地近似所涉及的容积模拟，并且在人类特征和面部表情方面具有泛化能力。我们的方法可以在任何线性混合形状系统之上使用，并且可以直接部署。此外，它在最小设置中只需要一个中性面网格作为输入。除了网络的设计外，我们还介绍了一个用于创建解剖学和物理上可信的训练数据的挑战性流程。流程的一部分是一种新颖的混合回归器，它在避免相交的同时在皮肤表面上密集地放置头骨。在本工作中评估了数据生成流程的所有部分的准确性和效率以及网络的准确性和效率。在发布后，训练模型和相关代码将被释放。
作者：Nicolas Wagner, Ulrich Schwanecke, Mario Botsch
论文ID：2212.14784
分类：Graphics
分类简称：cs.GR
提交时间：2023-01-23