Geração de transições curtas de animações humanas 3D

• Ano de defesa: 2021
• Autor(a) principal: Rocha, Fabio Neves
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Animação Humana; Aprendizado de Máquina; Aprendizado Profundo; Deep Learning; Geração de Transição; Human Animation; In-Betweening; LSTM; LSTM Redes Neurais; Machine Learning; Neural Networks; Recurrent Neural Networks; Redes Neurais Recorrentes; Transition Generation
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/100/100131/tde-26112021-123041/

A criação de animações humanas computacionais sem utilização de sensores de captura de movimento motion capture é uma tarefa manualmente laboriosa, embora existam diversas publicações utilizando métodos baseados em dados para a síntese de animações, poucos são dedicados diretamente à tarefa de inbetweening, a qual consiste de produzir movimentos de transição entre frames. O presente trabalho possui foco em transições curtas e tipos diferentes de movimentos, tais como artes marciais e dança indiana, utilizando o mínimo de frames de entrada possível. Nos estudos realizados é considerado apenas os dois frames iniciais e o frame final. A arquitetura Recurrent Transition Network (RTN) foi adaptada para operar com transições curtas, denominada ARTN. Adicionalmente foi proposto um método de pós-processamento simples combinando a arquitetura ARTN com interpolação linear, denomina-se esta solução ARTN+. Os resultados mostram que o erro médio de ARTN+ é inferior ao erro médio dos demais métodos para os dados de artes marciais e dança indiana