HuMoT: 使用无拓扑偏见的Transformer进行人体运动表示，用于角色动画重定向
摘要：运动重定向：一种长期存在的问题是角色动画中的运动重定向，即将源角色的运动转移和适应到另一个目标角色上。一个典型的应用是通过将现成的运动转移到新角色上，创建运动序列。运动重定向也有望提高现有动画系统和运动数据库的互操作性，因为它们通常在考虑的骨骼结构上存在差异。此外，由于运动重定向的目标是抽象和传递运动动态，有效的解决方案可能提供表达力强大的人体运动模型，在这些模型中，诸如清理或编辑之类的操作更容易进行。在本文中，我们提出了一种用于重定向的新型神经网络架构，该架构可以提取与骨骼拓扑和形态无关的人体运动的抽象表示。基于Transformer，我们的模型能够对具有可变形态和拓扑结构的运动序列进行编码和解码，从而扩展了运动重定向的应用范围，同时支持在训练阶段未见过的骨骼拓扑。具体而言，我们的模型结构类似于自动编码器，编码和解码分别基于骨骼模板，以提取和控制形态和拓扑。除了运动重定向，我们的模型还具有许多应用，因为我们的抽象表示是嵌入来自不同来源运动数据的便捷空间。它可能有助于许多数据驱动方法，使它们能够组合稀缺的专业运动数据集（例如具有风格或接触注释）和更大的普通运动数据集，以提高性能和泛化能力。此外，我们还展示了我们的模型可以用于除了重定向之外的其他应用，包括运动去噪和关节上采样。
作者：Lucas Mourot, Ludovic Hoyet, Franc{c}ois Le Clerc and Pierre Hellier
论文ID：2305.18897
分类：Graphics
分类简称：cs.GR
提交时间：2023-06-16