RigNet: 基于神经网络的关节角色绑定
本文提出了一种基于堆叠沙漏模型的学习方法,用于预测具有关节的 3D 角色模型的动画骨骼系统,通过对从网络上挖掘的大型 3D 角色数据集进行训练,得到的方法非常类似于人类创作,同时保证骨骼系统与输入的 3D 模型具有结构和几何的匹配性,具有较强的可控性。
Aug, 2019
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
该研究提出了一种名为 Skeleton Transformer Networks 的网络框架,可以通过单张彩色图像预测出人体骨架的 3D 关节点位置和 3D 角度姿态,并从而生成蒙皮网格动画。该框架采用两步回归方法进行骨骼旋转预测,其中第一步通过考虑骨架结构回归骨骼旋转以获得初始解,第二步则基于被称为交叉热图的三维姿态表示采用热图回归器进行精细化调整。实验表明,使用该框架训练的 3D 人体姿势数据集可以在野外环境下通过单张图像准确预测出人体的 3D 姿态。
Dec, 2018
本论文提出了一种使用基于关节的面部模型和神经细胞网络来学习三维面部模型的新方法,该模型相比之前的基于混合形态的模型具有更小的体积,更容易进行人脸编辑,更准确地支持添加眼睛,嘴巴和配饰设计,并且仅需一小组数据集,同时支持高质量 3D 扫描和 RGB 图像等广泛适用于图形和视觉应用。
Jul, 2020
本文提出了一种自动将姿势转移至无骨骼的、具有多样形状、拓扑和网格连接性的风格化 3D 角色的方法,并通过新颖的统一关节模型,使用一个姿势转移网络来预测角色的皮肤绑定权重和变形变换,以匹配所需的姿势。该方法采用半监督训练方式,且具有良好的泛化能力,可广泛应用于风格化角色和非生动物体的动画制作。
Jul, 2022
该研究提出了一种使用深度数据构建可追踪的关节对象完整绑定形式建模的方法,该方法包括 deformable mesh tracking,motion segmentation,spectral clustering,嵌入式骨架和蒙皮权重。
Sep, 2016
SkimmingNet 是一个采用 Two-Stream Graph Neural Network 结构的端到端模型,旨在计算输入模型和关联的骨架的皮肤权重,同时不考虑提供的模型的形状类别和结构。实验结果表明 SkimmingNet 在性能方面优于当前最先进的替代方案,该网络应用了 Multi-Aggregator Graph Convolution 对具有不同拓扑结构的模型具有很好的泛化性能。
Mar, 2022
MotioNet 是一种用于从单眼视频中重建 3D 人体骨骼运动的深度神经网络,通过嵌入运动先验信息的深度神经网络将 2D 关节位置序列分解为对称骨骼和与全局根位置和足接触标签相关联的 3D 关节旋转序列,并在 3D 位置上应用正向运动学,使用敌对损失确保恢复的旋转速度处于自然关节旋转曲面上的关键优势使其能够直接从训练数据中学习到自然的关节旋转。
Jun, 2020