3D 角色次要动作深度仿真
本研究介绍了一种名为 Skeleton2Humanoid 的系统,该系统通过物理学模拟器中的正则化合成骨架运动来执行基于物理的运动校正,在测试时间内提高合成人体骨架运动的物理可行性,并且在 LaFAN1 数据集上的实验证明,该系统在物理可行性和准确性方面显著优于先前的方法。
Oct, 2022
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
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
本文综述了基于骨架的人类角色动画中利用深度学习和深度强化学习的最新方法,分别涵盖运动数据表示、最常见的人体运动数据集以及在人类动画流水线中运用到的运动合成、角色控制和运动编辑等方面。同时,我们也探讨了当前基于深度学习和深度强化学习的状态 - of-the-art 方法的局限性以及未来研究的可能方向。
Oct, 2021
本研究通过深度学习提出了一种解决服装动画问题的新方法,可以对任何拓扑和几何复杂度的模板服装进行动画处理,并提出了一种补充有监督学习的无监督物理学习方法,以隐式解决碰撞和增强布料质量。
Sep, 2020
本研究提出了一种利用强化学习、物理模拟器和稀疏传感器数据实时将人类运动重定向到具有不同骨架结构的角色的方法,并仅需要运用运动捕捉数据进行培训,同时探讨了该框架中的重要组件。
Jul, 2023
该研究论文提出了一种基于肌骨建模的受物理学约束的深度学习方法,用于预测关节运动和肌肉力量,并证明该方法能有效地识别个体特定的肌骨生理参数,并且训练的受物理学约束的前向动力学模型能够准确地预测运动和肌肉力量。
Sep, 2023