2022 Fiscal Year Research-status Report
データ駆動型手法による協調的物理法則CGアニメーションの実現
| Project/Area Number |
22K12331
|
|---|
| 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) |
2022-04-01 – 2025-03-31
|
| Keywords | 物理法則アニメーション / データ駆動法 / 深層学習 / 衣服アニメーション |
|---|
| Outline of Annual Research Achievements |
今年度は，人体が服を着衣し，人体の動作に合わせて衣服が変形するアニメーションに関し，異なる体形やポーズで着用される多様な衣服の詳細を考慮した変形を生成するためのデータ駆動型手法の開発を行った．提案手法は，統一されたフレームワークを使用して高品質な変形と豊富な詳細を効率的に生成することができる．既存の学習ベースの衣服変形手法とは異なり，提案手法は複数のソース属性を組み合わせて衣服変形を生成することができる．
提案手法は，大きく分けて出力分解，詳細属性パーサー，2段階近似，グラフプーリング操作の4つの主要な戦略がある．出力分解は，複雑で多様な変形を処理するために出力を複数のコンポーネントに分解するために使用される．詳細属性パーサーは，入力属性を解析し，衣服や体型に関する詳細情報を抽出する．2段階近似は，粗い近似と細かい調整の2段階で変形フィールドを近似するために使用される．グラフプーリング操作は，異なる抽象化レベルから情報を集約するために使用される．
提案手法の有効性を評価するために，多様な体形やポーズで着用される多様な衣服の大規模なデータセットを使用して実験を行った．その結果，提案手法は，定量的な基準と視覚的品質の両方において既存の最先端の方法を上回ることを示すことができた．また，衣服と体型のフィット具合が折り目の度合いにどのような影響を与えるかについて評価した結果，提案手法は，衣服と体型のフィットが悪い場合においても，豊富な詳細を持つ高品質な変形を生成できることを示した．さらに，提案手法が様々な種類の衣服やアニメーションに適用可能であることを示した．このことは，提案手法が高い汎用性と実用性を持つことを表している．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
今年度は，研究計画に挙げた研究テーマについて順調に成果を挙げている．
衣服のアニメーションに関する研究では，提案手法が高い汎用性と実用性を持つことがわかった．一方で，ここで提案したニューラルネットワークについては，低周波情報へのバイアスがしばしば見られ，低周波の変形は高周波のものよりもより良く学習されることがわかった．このことにより，多種多様な複雑な変形に対して形状がより滑らかになる傾向がある．この問題は，モデルが多様な衣服の形状を学習する必要がある場合に，より顕著になることが観察された．また，連続的な動作に着目した場合，予測された衣服はアニメーションに一貫性がなく，非現実的な効果に見えてしまうことがしばしば見受けられた．これは，提案手法が静的なポーズを対象とし，動的なポーズについて考慮していないことが原因であると考えられる．今後はこの問題について考えていきたい．
また，来年度に行う脆性破壊を伴う剛体運動のアニメーションについての予備実験も行なっており，研究を行う準備が整っている．
|
| Strategy for Future Research Activity |
今後は，引き続き2つの研究テーマについて，手法の拡張を視野に研究を進めていく．
衣服のアニメーションに関する研究では，グラフ学習に基づき、動的な運動下において様々な衣服の変形を予測する方法を提案する．公衆は成分を欠くことに関する問題については，スペクトル解析技術を導入し，低周波と高周波の衣服変形の学習，および，多様な衣服の識別可能な大域的形状表現の生成を効果的に制御することを試みる．また，連続的な動作についての考慮については，長・短期記憶（LSTM）ネットワークを組み合わせることで連続的な変形を考慮することを試みる．さらに，衣服の詳細の合理性を維持しながら，推論中に効果的に衝突を除去できる，新しい衝突処理方法についても試みる．
脆性破壊を伴う剛体運動のアニメーションについては，脆性破壊形状の生成 ，および，衝突後の破片物体の動作方向と 速度の決定を行うための，それぞれ別の深層学習ネットワークを開発する. このうち，脆性破壊形状の生成のためのネットワークについては，入力形状をメッシュから3Dボリュームに変換した上で，過去に行った研究である 2D 平面形状の破壊形状予測の研究で用いた条件付き敵対的生成ネットワーク (cGAN) を，3Dに拡張して利用する．また，形状モデルの変換（メッシュからボリューム，およびボリュームからメッシュ）を高速に行うための手法についても検討する．
|
| Causes of Carryover |
翌年度の物品費の一部として使用予定である．
|
