Dissertação de Mestrado
Nome: Fabio Neves Rocha
Instituição: USP - Universidade de São Paulo - Escola de Artes, Ciências e Humanidades
Programa: Programa de Pós-Graduação em Sistemas de Informação
Orientadora: Karina Valdivia Delgado
Ano: 2021
País: Brasil
Resumo
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.
Palavras-chave: Animação Humana, Aprendizado de Máquina, Aprendizado Profundo, Geração de Transição, In-Betweening, LSTM Redes Neurais, Redes Neurais Recorrentes, Dissertação.
Abstract
Creating computer generated human animations without the use of motion capture technology is a tedious and time consuming activity. Although there are several publications regarding animation synthesis using data driven methods, not many are dedicated towards the task of inbetweening, which consists of generating transition movements between frames. In this work, we are interested on short-term transitions and different kinds of movement, such as martial arts and Indian dance using the least amount of input frames as possible. We only consider the two initial frames and the final frame. We adapt the Recurrent Transition Network (RTN) to work with short-term transitions, called ARTN, and propose a simple post processing method combining ARTN with linear interpolation, called ARTN+. The results show that the average error of ARTN+ is less than the average error of the other methods in the martial arts and Indian dance dataset.
Para o texto completo, clique aqui!
