Αλγόριθμοι για την αποδοτική κίνηση αρθρωτών και μη αρθρωτών χαρακτήρων
Φόρτωση...
Ημερομηνία
Συγγραφείς
Μουταφίδου, Αναστασία
Moutafidou, Anastasia
Τίτλος Εφημερίδας
Περιοδικό ISSN
Τίτλος τόμου
Εκδότης
Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή. Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής
Περίληψη
Τύπος
Είδος δημοσίευσης σε συνέδριο
Είδος περιοδικού
Είδος εκπαιδευτικού υλικού
Όνομα συνεδρίου
Όνομα περιοδικού
Όνομα βιβλίου
Σειρά βιβλίου
Έκδοση βιβλίου
Συμπληρωματικός/δευτερεύων τίτλος
Περιγραφή
Η δημιουργία μιας νέας κίνησης για έναν χαρακτήρα είναι μια επίπονη διαδικασία
με πολλά στάδια που συνήθως γίνεται από έναν ειδικό (animator). Η διαδικασία
αυτή πολλές φορές απαιτεί την μετεπεξεργασία με ειδικά εργαλεία ώστε να διορ-
θωθούν ατέλειες και προβλήματα.
Στα γραφικά υπολογιστών, η συμπίεση της κίνησης χαρακτήρων είναι απαραί-
τητη για την αποτελεσματική αποθήκευση, μετάδοση και αναπαραγωγή κινούμενων
πλεγματικών αντικειμένων. Στόχος είναι να συμπιεστεί μια κίνηση που δίνεται ως
μια ακολουθία με διαφορετικές τιμές των συντεταγμένων των κορυφών του πλέγ-
ματος σε κάθε στιγμιότυπο. Η συμπίεση γίνεται χρησιμοποιώντας έναν αριθμό από
ψευδο-κόκκαλα και βάρη επιρροής που συνδέουν τα ψευδο-κόκκαλα με τις κορυ-
φές του πλέγματος. Προηγούμενες εργασίες είχαν παρουσιάσει αποτελεσματικές
τεχνικές συμπίεσης με τον προσδιορισμό μετασχηματισμών οστών και βαρών με τη
χρήση ομαδοποίησης των κορυφών με βάση τα γεωμετρικά χαρακτηριστικά τους.
Εδώ παρουσιάζεται μια νέα προσέγγιση που αναθέτει κορυφές σε οστά και εξάγει
βάρη επιρροής των κορυφών από τα οστά χρησιμοποιώντας βαθιά μάθηση. Η μά-
θηση γίνεται με ένα σύνολο εκπαίδευσης που αποτελείται από παραδείγματα που
είναι ζεύγη της μορφής: τροχιά μίας κορυφής (είσοδος στο νευρωνικό δίκτυο), βάρη
επιρροής από το κάθε κόκκαλο προς την κορυφή (έξοδος του νευρωνικού δικτύου).
Για ακόμη καλύτερα αποτελέσματα συμπίεσης παρουσιάζεται μια μέθοδος για συ-
νεπή ονοματολογία (persistent labeling) των κοκκάλων χρησιμοποιώντας τεχνικές
βαθιάς μάθησης. Η τεχνική αυτή βελτιώνει το αποτέλεσμα της κίνησης και δίνει τη δυνατότητα για τον συνδυασμό (σύντηξη) δύο ή περισσότερων διαφορετικών
σχημάτων συμπίεσης που αναπαριστούν την ίδια ακολουθία κίνησης.
Στη συνέχεια παρουσιάζονται μέθοδοι για τη βελτίωση συμπιεσμένων ακολου-
θιών κίνησης για μη αρθρωτούς χαρακτήρες ή για χαρακτήρες με τμήματα υψηλής
παραμόρφωσης. Η μέθοδος αυτή βελτιώνει το σφάλμα μιας συμπιεσμένης κίνησης,
αναλύοντας την κατανομή των κορυφών που επιδεικνύουν μεγάλο σφάλμα. Οι κο-
ρυφές αυτές ομαδοποιούνται χρησιμοποιώντας συσσωματική συσταδοποίηση σύμ-
φωνα με τη γεωδαιτική τους απόσταση και μετά προσθέτονται νέα οστά επιρροής
για τις κορυφές της κάθε συστάδας. Παρουσιάζεται μια τεχνική για τη ρύθμιση των
βαρών επιρροής ώστε να μεγιστοποιηθεί η μείωση του σφάλματος.
Εργαλεία που δίνουν τη δυνατότητα για τη μεταφορά κίνησης ενός χαρακτήρα
σε έναν άλλον ή τον συνδυασμό δύο κινήσεων με εύρωστο, αξιόπιστο και αποδοτικό
τρόπο είναι ιδιαίτερα χρήσιμα για τους επαγγελματίες των γραφικών. Στη διατριβή
αυτή αναπτύχθηκε ένα εύχρηστο, αυτόνομο, διαδραστικό λογισμικό για μεταφορά
κίνησης. Τέλος συζητούνται μέθοδοι για την ανάμειξη ή σύνθεση συμπιεσμένων σχη-
μάτων κίνησης.
In computer graphics, animation compression is essential for efficient storage, streaming and reproduction of animated meshes. The goal is to compress an animation that is given as a sequence of meshes with different vertex coordinates per frame. Compression is often achieved by technique that introduces pseudo bones and weights that describe the influence of each pseudo bone on the vertices. Previous work has presented efficient techniques for compression by deriving skinning transformations and weights using clustering of vertices based on geometric features of vertices over time. In this work, we present a novel approach that assigns vertices to bone-influenced clusters and derives weights using deep learning through a training set that consists of pairs of vertex trajectories (input to the neural network) and the corresponding weights (output of the neural network) drawn from fully rigged animated characters. For deriving even better results, a technique for automatically performing persistent labeling of the bones is presented, based on deep learning. This technique reduces the approximation error and facilitates the fusion of two or more compression schemes that represent the same animation sequence. Additionally, we present a method for improving the approximation error offered by a compression scheme for semi-articulated characters or for characters with highly deformable parts. This method analyzes the distribution of high error vertices. Such vertices are subsequently grouped in clusters using agglomerative clustering by their geodesic distance. New bones are then introduced for each cluster. The influence of the new bones on the vertices is then adjusted so that the overall approximation error is reduced while the maximum number of weights per vertex remains the same. Tools for animation transfer of one source mesh to a new destination mesh or for combining the animation of two different characters are very useful for animators. In this thesis we present an easy-to-use stand alone, efficient, interactive tool for animation transfer. Finally, we discuss approaches for blending or synthesis of compressed animation schemes.
In computer graphics, animation compression is essential for efficient storage, streaming and reproduction of animated meshes. The goal is to compress an animation that is given as a sequence of meshes with different vertex coordinates per frame. Compression is often achieved by technique that introduces pseudo bones and weights that describe the influence of each pseudo bone on the vertices. Previous work has presented efficient techniques for compression by deriving skinning transformations and weights using clustering of vertices based on geometric features of vertices over time. In this work, we present a novel approach that assigns vertices to bone-influenced clusters and derives weights using deep learning through a training set that consists of pairs of vertex trajectories (input to the neural network) and the corresponding weights (output of the neural network) drawn from fully rigged animated characters. For deriving even better results, a technique for automatically performing persistent labeling of the bones is presented, based on deep learning. This technique reduces the approximation error and facilitates the fusion of two or more compression schemes that represent the same animation sequence. Additionally, we present a method for improving the approximation error offered by a compression scheme for semi-articulated characters or for characters with highly deformable parts. This method analyzes the distribution of high error vertices. Such vertices are subsequently grouped in clusters using agglomerative clustering by their geodesic distance. New bones are then introduced for each cluster. The influence of the new bones on the vertices is then adjusted so that the overall approximation error is reduced while the maximum number of weights per vertex remains the same. Tools for animation transfer of one source mesh to a new destination mesh or for combining the animation of two different characters are very useful for animators. In this thesis we present an easy-to-use stand alone, efficient, interactive tool for animation transfer. Finally, we discuss approaches for blending or synthesis of compressed animation schemes.
Περιγραφή
Λέξεις-κλειδιά
Μεταφορά κίνησης, Τρισδιάστατοι χαρακτήρες, Συμπίεση αρχείων, Μη αρθρωτών χαρακτήρων, Αnimation transfer, 3D characters, Sompression, Non-articulated characters
Θεματική κατηγορία
Παραπομπή
Σύνδεσμος
Γλώσσα
el
Εκδίδον τμήμα/τομέας
Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή. Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής
Όνομα επιβλέποντος
Φούντος, Ιωάννης
Εξεταστική επιτροπή
Παρσόπουλος, Κωνσταντίνος
Τζοβάρας, Δημήτριος
Φούντος, Ιωάννης
Δημακόπουλος, Βασίλειος
Παπαγιαννάκης, Γεώργιος
Παπαϊωάννου, Γεώργιος
Τενέντες, Βασίλειος
Τζοβάρας, Δημήτριος
Φούντος, Ιωάννης
Δημακόπουλος, Βασίλειος
Παπαγιαννάκης, Γεώργιος
Παπαϊωάννου, Γεώργιος
Τενέντες, Βασίλειος
Γενική Περιγραφή / Σχόλια
Ίδρυμα και Σχολή/Τμήμα του υποβάλλοντος
Πανεπιστήμιο Ιωαννίνων. Πολυτεχνική Σχολή. Τμήμα Μηχανικών Ηλεκτρονικών Υπολογιστών και Πληροφορικής
Πίνακας περιεχομένων
Χορηγός
Βιβλιογραφική αναφορά
Ονόματα συντελεστών
Αριθμός σελίδων
205
Λεπτομέρειες μαθήματος
Συλλογές
item.page.endorsement
item.page.review
item.page.supplemented
item.page.referenced
Άδεια Creative Commons
Άδεια χρήσης της εγγραφής: Attribution-NonCommercial-NoDerivs 3.0 United States