2021 Fiscal Year Annual Research Report
データ駆動型物理法則ＣＧアニメーションの発展と深化
| Project/Area Number |
19K11990
|
|---|
| Research Institution | The University of Tokyo |
|---|
Principal Investigator |
金井 崇 東京大学, 大学院総合文化研究科, 准教授 (60312261)
|
|---|
| Project Period (FY) |
2019-04-01 – 2022-03-31
|
| Keywords | 物理法則アニメーション / データ駆動法 / 深層学習 / キャラクタアニメーション / 衣服アニメーション / グラフアテンションネットワーク |
|---|
| Outline of Annual Research Achievements |
本年度は，昨年度のグラフアテンションネットワークを用いたキャラクタの非線形変形の拡張を行なった．昨年度の研究の問題点として，学習したネットワークが同じメッシュのキャラクタにしか適用できず，また予測精度が大規模な学習セットに大きく依存するなど，ネットワークの一般化能力に課題があった．そこで，本年度は，多重解像度グラフネットワークに基づく手法を新たに提案し，任意のポーズをとる新しいキャラクタのための複雑な非線形変形を自動的に生成する．すなわち，標準的な骨格を埋め込んだ後，アニメーションキャラクタのメッシュをまず線形ベースの方法で大まかに変形させる．残りの非線形変形部分は，学習された新しい多重解像度ベースのネットワークによって近似される．ネットワークはローカルブランチとグローバルブランチから構成され，それぞれオリジナルの解像度のグラフとそれをダウンサンプリングした低解像度のグラフを扱う．最終的には，2 つのブランチで処理された特徴量が連結され，特徴量変換モジュールを経て，最終的な予測値が生成されるようにした．学習に使用していない新しいポーズに対し実験をした結果，LBS や DQS 等の既存手法よりも優れた結果を得られることを示すことができた．
その他，今後の予備的な研究として，学習ベースの衣服メッシュ生成手法について取り組んだ．既存研究では，静的なポーズの下でパラメータ化された材料の，パラメータに基づく素材タイプのバリエーションに着目したものはなかった．ここでは，詳細な衣服のしわを維持しつつ，人間のポーズと衣服の材質の関数に基づいて衣服の変形を予測する学習ベースの手法を提案した．実験の結果，提案手法は物理ベースのシミュレーションによる予測と同等であり，ベースラインモデルと比較して，汎化能力，モデルサイズ，学習時間の点で有利であることを確認した．
|
