伦敦大学学院、Adobe Research和蒙特利尔大学的研究人员推出Temporal Residual Jacobians，一种用于无绑定运动转移（rig-free motion transfer）的新方法。简单来说，这种方法可以自动将一个动作（例如，跳舞或跑步）从一个3D模型转移到另一个完全不同的3D模型上，而不需要对目标模型进行任何预先的绑定（rigging）或设置关键帧（keyframing）。总的来说，Temporal Residual Jacobians提供了一种新颖的方法，可以在不需要复杂设置的情况下，将动作自然地转移到各种3D模型上，为动画制作和运动模拟提供了强大的工具。
- 项目主页：https://temporaljacobians.github.io
主要功能：
- 无绑定运动转移：自动将动作从一个模型转移到另一个模型，无需手动设置骨骼或绑定。
- 时间一致性：生成的动作在时间上连贯，没有抖动或不自然的变化。
主要特点：
- 数据驱动：使用神经网络学习动作转移，无需物理模拟或复杂的参数设置。
- 通用性：可以应用于多种不同的3D模型，包括人形、动物或任何其他形状的模型。
- 长序列处理：能够处理长时间的动作序列，没有显著的累积误差。
工作原理：
Temporal Residual Jacobians方法包括两个关键的神经网络组件：
- 独立姿态网络（Independent Posing Network）：预测每一帧的局部空间变化，即模型顶点的位置变化。
- 神经常微分方程（Neural ODE）：提供时间上的信号，以确保动作在时间上的连贯性。
这两个网络共同工作，通过空间和时间上的积分，生成最终的动画网格。在训练阶段，使用已知的动作序列来监督这两个网络，而在推理阶段，只需提供目标模型的网格和动作序列，即可生成动画。
具体应用场景：
- 角色动画：在电影、游戏或虚拟现实中，快速生成角色的动作动画。
- 运动捕捉：将捕捉到的动作应用到不同的3D模型上，用于训练或模拟。
- 设计和模拟：在工程或建筑领域，模拟结构在动态负载下的行为。
0条评论