NASA: 神经关节形状逼近
本研究提出了一种新型的神经隐式表示方法,旨在有效地对人体的关节运动进行建模、重构和合成,该方法利用具有局部感知能力的编码器 - 解码器结构将全身几何形状分解成局部身体部位,并学习局部复杂变形的神经隐式占据,同时考虑到身体部位的几何限制来提高姿态泛化能力,在 3D 环境中易于处理自相交和碰撞,实验结果表明,该模型在效率和准确性方面明显优于现有的解决方案。
Apr, 2022
本文提出了一种名为 LEAP 的新型神经占据表示方法,用于建模复杂的人体形状变形。通过使用学习的 LBS 功能,将查询点映射到规范空间,并通过占据网络对人体的姿势和形状变形进行建模,从而大大提高了学习占据表示的泛化能力。
Apr, 2021
本文通过开发一种基于神经技术的方法,在不假定训练数据的基础形变模型的情况下,使神经网络学习到骨架、皮肤和混合形状,并构建了一个骨骼层次结构的网络架构,利用预定义的骨骼结构使 3D 角色实现高质量的姿态相关形变,其中提出了用于改进关节区域变形质量的纠正姿势依赖形状的方法。
May, 2021
本论文提出了一种基于自监督学习的方法,仅仅通过一组彩色图像就能够学习到一个关节物体类的几何、外表和动作的表示,从而实现这些语义维度的独立控制,该方法不需要形态学的注释,相对于现有的采用 3D 直接监督的各种方法,使用本方法只需 2D 观测即可恢复更精准的几何和外观,并且具有少样本重建、新关节生成和新视角综合生成等众多应用。
May, 2022
本研究提出了基于 DNR 的全新框架 ANR,可以显式地解决虚拟人类角色中没有被网格捕捉到的形变、对齐和动态问题,并展示了其对 DNR 和基于角色创建和动画的方法的优越性。我们经过两次用户研究观察得到了对模型的明显偏好,并在定量评估指标上展现了最先进的性能。在知觉上,我们发现该模型具有更好的时间稳定性、细节水平和真实性。
Dec, 2020
本文提出了一种综合的神经方法,用于从密集的多视角视频中重建、压缩和渲染人类表演。该方法桥接了传统的动画网格工作流和一类高效的神经技术,其中包括神经表面重构器和混合神经跟踪器,并实现了各种带宽设置下的从动态纹理到光图渲染的渲染方案,展示了其在各种网格应用和各种平台的逼真自由视点体验中的有效性。
Sep, 2022
本文介绍了一种利用神经网络通过传统的皮肤技术反转所经历的变形的方法,通过预计算值来提高计算效率,可以在变形时有效地查询它们,这是计算机视觉和图形学中重要的问题。
Apr, 2020
该研究提出了一种基于生成对抗网络(GAN)的无监督 3D 几何感知表征学习方法,成功地实现了对复杂关节动态物体的控制性 3D 表征的学习,同时避免了传统方法需要用昂贵的标注数据,在实践中具有较好的效果和效率。
Apr, 2022
通过使用一个可微分的、准静态的、基于物理学的仿真层,以神经网络参数化为特征,本论文利用活动软体对形态施加内部驱动机制。关键贡献是通过定义一个函数实现空间点在材料空间中到激励值的连续映射,从而提供了捕获信号主导频率的特性。扩展了隐式模型到下颚运动学,特别是面部动画的情况,并展示了能够可靠地复制用高质量捕捉系统记录的面部表情的能力。我们将该方法应用于体积软体、人体姿势和面部表情,证明了对艺术家友好的属性,如在测试时对潜在空间的简单控制和解析度不变性。
Jan, 2024
通过神经网络模型,本研究提出一种新的框架来明确分解关节物体的部分运动,通过预测部分表面上的点的转换矩阵,使用空间连续的神经隐式表示来平滑地建模部分运动,在对不同类别的关节物体进行实验的数量化和质量化结果证明了我们的方法的有效性。
Nov, 2023