스타일 기반 역기구학

이 논문은 인간 자세의 학습된 모델을 기반으로 한 역기구학 시스템을 소개합니다. 특정 제약 조건이 주어지면, 우리 시스템은 이를 만족하는 가장 가능성이 높은 자세를 실시간으로 생성할 수 있습니다. 다양한 입력 데이터에 대한 모델 학습은 다른 스타일의 역기구학(IK)을 초래합니다. 모델은 가능한 모든 자세의 공간에 대한 확률 분포로 표현됩니다. 이는 우리의 IK 시스템이 어떤 자세도 생성할 수 있지만, 학습 데이터의 자세 공간과 가장 유사한 자세를 선호한다는 것을 의미합니다. 우리는 이를 스케일 가우시안 프로세스 잠재 변수 모델이라는 새로운 모델로 확률을 표현합니다. 모델의 매개변수는 모두 자동으로 학습되며, 시스템의 학습 구성 요소에 대해 수동 조정이 필요 없습니다. 또한 스타일 간 보간을 위한 새로운 절차를 설명합니다. 우리의 스타일 기반 IK는 컴퓨터 애니메이션과 컴퓨터 비전에서 사용되는 기존 IK를 대체할 수 있습니다. 우리는 상호작용 캐릭터 포징, 경로 키프레이밍, 마커가 없는 실시간 모션 캡처, 2D 이미지에서의 포징 등 여러 응용 맥락에서 시스템을 시연합니다.