论文地址： http://arxiv.org/pdf/2005.05732v1.pdf
代码： 公众号回复：09040449873
来源： 北京电影学院、特拉维夫大学, 北京大学
论文名称：Skeleton-Aware Networks for Deep Motion Retargeting
原文作者：KFIR ABERMAN
内容提要
我们引入了一种新颖的深度学习框架，用于在具有不同结构但对应于同胚图的骨架之间进行数据驱动的运动重定向。重要的是，我们的方法学习如何重定向，而不需要任何明确的配对运动之间的训练集。
我们利用这样一个事实，即不同的同胚骨架可以通过一系列边缘合并操作简化为一个共同的原始骨架，我们称之为骨骼池化。因此，我们的主要技术贡献是引入了新颖的可微卷积、池化和非池化算子。这些操作符是骨骼感知的，这意味着它们明确地解释了骨骼的层次结构和关节邻接性，它们一起将原始运动转换为与原始骨骼关节相关的深度时间特征集合。换句话说，我们的运算符形成了一个新的深度运动处理框架的构建块，该框架将运动嵌入到一个共同的潜在空间中，由一系列同胚骨架共享。因此，通过对这个潜在空间进行编码和解码，就可以简单地实现重定向。
我们的实验表明，与现有的方法相比，我们的框架在运动重定向和一般运动处理方面是有效的。我们的方法也定量地评估了一个合成数据集，该数据集包含应用于不同骨骼的运动对。据我们所知，我们的方法是第一个在没有任何配对例子的情况下，在具有不同采样运动链的骨骼之间进行重定向的方法。我们的方法也定量地评估了一个合成数据集，该数据集包含应用于不同骨骼的运动对。据我们所知，我们的方法是第一个在没有任何配对例子的情况下，在具有不同采样运动链的骨骼之间进行重定向的方法。
主要框架及实验结果
声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请联系删除。