基于深度卷积网络的无配对动作迁移方法技术

本发明专利技术公开了一种基于深度卷积网络的无配对动作迁移方法。使用本发明专利技术能够适用于不同拓扑结构骨骼间的动作迁移，可用于无配对示例的骨骼动作迁移。本发明专利技术引入了同胚骨骼的概念，利用深度卷积神经网络将源骨骼和目标骨骼压缩成同一最小骨骼，进而实现在不同的自动编解码器中共享隐空间，从而实现了无需人工介入的的不同拓扑结构骨骼之间的动作迁移。使用了卷积神经网络，执行效率更高、对长时间的动作也能得到稳定的结果。

【技术实现步骤摘要】
基于深度卷积网络的无配对动作迁移方法
本专利技术涉及计算机图形学、动画动作制作
，具体涉及一种基于深度卷积网络的无配对动作迁移方法。
技术介绍
在计算机图形学领域，动画中的动作通常是由骨骼驱动的；骨骼动作一般由静态部分，即静止状态下骨骼的姿势，以及动态部分，即各个关节在不同时间点的旋转组成。动作迁移指给定源骨骼和目标骨骼的静止姿势，通过修改输入源骨骼对应的旋转，使得源骨骼能展现与目标骨骼同样的动作。现有的技术在进行具有不同拓扑结构的骨骼间动作迁移时，需要人工介入，例如指定源骨骼和目标骨骼的匹配关系，即需要给出配对示例。在处理骨骼拓扑结构相同的情况，Villegas等使用了循环神经网络来进行同拓扑结构骨骼的动作迁移(Villegas,R.,Yang,J.,Ceylan,D.,&Lee,H..Neuralkinematicnetworksforunsupervisedmotionretargetting.InProceedingsoftheIEEEConferenceonComputerVisionandPatternReco本文档来自技高网...

【技术保护点】
1.一种基于深度卷积神经网络的无配对动作迁移方法，其特征在于，采用自动编码器进行动作迁移；所述自动编码器包括编码器和解码器；所述编码器和解码器为对称的深度卷积神经网络；所述编码器对带动作的源骨骼进行卷积和池化，压缩至最小骨骼；所述解码器对解码器输出的最小骨骼按照同胚的目标骨骼进行反卷积和反池化，完成动作的迁移。/n

【技术特征摘要】
1.一种基于深度卷积神经网络的无配对动作迁移方法，其特征在于，采用自动编码器进行动作迁移；所述自动编码器包括编码器和解码器；所述编码器和解码器为对称的深度卷积神经网络；所述编码器对带动作的源骨骼进行卷积和池化，压缩至最小骨骼；所述解码器对解码器输出的最小骨骼按照同胚的目标骨骼进行反卷积和反池化，完成动作的迁移。


2.如权利要求1所述的基于深度...

【专利技术属性】
技术研发人员：李沛卓，科菲尔·阿博曼，陈宝权，达尼·李其思，奥尔加·索金·霍恩，达尼·科恩尔，
申请(专利权)人：北京电影学院，
类型：发明
国别省市：北京;11