論文の概要: ASMR: Adaptive Skeleton-Mesh Rigging and Skinning via 2D Generative Prior

• arxiv url: http://arxiv.org/abs/2503.13579v1
• Date: Mon, 17 Mar 2025 15:59:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:16:59.461834
• Title: ASMR: Adaptive Skeleton-Mesh Rigging and Skinning via 2D Generative Prior
• Title（参考訳）: ASMR:アダプティブ・スケルトン・メシュ・リグとスキニング
• Authors: Seokhyeon Hong, Soojin Choi, Chaelin Kim, Sihun Cha, Junyong Noh,
• Abstract要約: 骨格運動データを用いた文字メッシュの自動リギングとスキンニングのための新しい手法を提案する。 提案手法は,メッシュサイズと比率に応じて最適な骨格を予測し,メッシュスケルトン構成のスキンウェイトを定義する。
• 参考スコア（独自算出の注目度）: 5.429282997550316
• License:
• Abstract: Despite the growing accessibility of skeletal motion data, integrating it for animating character meshes remains challenging due to diverse configurations of both skeletons and meshes. Specifically, the body scale and bone lengths of the skeleton should be adjusted in accordance with the size and proportions of the mesh, ensuring that all joints are accurately positioned within the character mesh. Furthermore, defining skinning weights is complicated by variations in skeletal configurations, such as the number of joints and their hierarchy, as well as differences in mesh configurations, including their connectivity and shapes. While existing approaches have made efforts to automate this process, they hardly address the variations in both skeletal and mesh configurations. In this paper, we present a novel method for the automatic rigging and skinning of character meshes using skeletal motion data, accommodating arbitrary configurations of both meshes and skeletons. The proposed method predicts the optimal skeleton aligned with the size and proportion of the mesh as well as defines skinning weights for various mesh-skeleton configurations, without requiring explicit supervision tailored to each of them. By incorporating Diffusion 3D Features (Diff3F) as semantic descriptors of character meshes, our method achieves robust generalization across different configurations. To assess the performance of our method in comparison to existing approaches, we conducted comprehensive evaluations encompassing both quantitative and qualitative analyses, specifically examining the predicted skeletons, skinning weights, and deformation quality.
• Abstract（参考訳）: 骨格運動データのアクセシビリティが増大しているにもかかわらず、骨格とメッシュの両方の多様な構成のため、キャラクターメッシュのアニメーション化にそれを統合することは依然として困難である。 具体的には、骨格の骨の大きさと骨長はメッシュの大きさと比率に応じて調整され、全ての関節がキャラクタメッシュ内に正確に配置されるようにする必要がある。 さらに、スキンウェイトの定義は、関節の数や構造、接続性や形状などのメッシュ構成の違いなど、骨格構成のバリエーションによって複雑になる。 既存のアプローチでは、このプロセスを自動化しているが、骨格構成とメッシュ構成の両方のバリエーションにはほとんど対処していない。 本稿では,骨格運動データを用いた文字メッシュの自動リギングとスキンニングのための新しい手法を提案する。 提案手法は,メッシュのサイズと比率に一致した最適な骨格を予測し,各メッシュスケルトン構成のスキンウェイトを定義する。 キャラクタメッシュのセマンティック記述子としてDiffusion 3D Features (Diff3F) を組み込むことにより,本手法は異なる構成をまたいだ堅牢な一般化を実現する。 既存の手法と比較して,本手法の性能を評価するため, 定量的および定性的な分析を含む総合的な評価を行い, 予測された骨格, スキンウェイト, 変形品質について検討した。

関連論文リスト

• RigAnything: Template-Free Autoregressive Rigging for Diverse 3D Assets [47.81216915952291]
  本稿では,新しい自己回帰変換モデルであるRigAnythingを紹介する。 関節や骨格のトポロジを確率的に生成し、スキンの重量をテンプレートのない方法で割り当てることで、3Dアセットを準備できる。 RigAnythingは、ヒューマノイド、四足動物、海洋生物、昆虫など、さまざまな種類の物体で最先端のパフォーマンスを実証している。
  論文  参考訳（メタデータ） (2025-02-13T18:59:13Z)
• Motif Guided Graph Transformer with Combinatorial Skeleton Prototype Learning for Skeleton-Based Person Re-Identification [60.939250172443586]
  3Dスケルトンデータによる人物再識別(re-ID)は多くのシナリオにおいて重要な価値を持つ課題である。 既存の骨格に基づく手法は、典型的には全ての関節間の仮想運動関係を仮定し、学習に平均的な関節またはシーケンス表現を採用する。 本稿では,Y Combinatorial skeleton prototype learning (MoCos)を用いた汎用Motifガイドグラフトランスフォーマを提案する。 MoCosは、構造特異的で歩行関連のある身体関係とスケルトングラフの特徴を利用して、人物のre-IDに効果的な骨格表現を学習する。
  論文  参考訳（メタデータ） (2024-12-12T08:13:29Z)
• ToMiE: Towards Modular Growth in Enhanced SMPL Skeleton for 3D Human with Animatable Garments [41.23897822168498]
  本稿では,骨格の接合木を適応的に拡張するモジュール成長戦略を提案する。 具体的には、ToMiEと呼ばれる手法は、親関節の局在化と外部関節の最適化からなる。 ToMiEは、レンダリング品質だけでなく、成長したジョイントのフリーアニメーションを提供することで、さまざまなケースで他の方法よりも優れています。
  論文  参考訳（メタデータ） (2024-10-10T16:25:52Z)
• Hierarchical Skeleton Meta-Prototype Contrastive Learning with Hard Skeleton Mining for Unsupervised Person Re-Identification [70.90142717649785]
  本稿では,HSM(Hard Skeleton Mining)を用いた階層型非教師付きメタプロトタイプコントラストラーニング(Hi-MPC)手法を提案する。 原原型を複数の同種変換を伴うメタプロトタイプに変換することにより,原型固有の一貫性を学習し,人体再IDのより効果的な骨格特徴を捉える。
  論文  参考訳（メタデータ） (2023-07-24T16:18:22Z)
• SkeletonMAE: Graph-based Masked Autoencoder for Skeleton Sequence Pre-training [110.55093254677638]
  我々はSkeleton Sequence Learning(SSL)という,効率的なスケルトンシーケンス学習フレームワークを提案する。 本論文では,SkeletonMAEという非対称なグラフベースのエンコーダデコーダ事前学習アーキテクチャを構築する。 我々のSSLは、さまざまなデータセットにまたがってうまく一般化し、最先端の自己教師型スケルトンベースのアクション認識手法よりも優れています。
  論文  参考訳（メタデータ） (2023-07-17T13:33:11Z)
• Learning Skeletal Articulations with Neural Blend Shapes [57.879030623284216]
  あらかじめ定義された骨格構造を有するエンベロープを用いて3次元文字を表現できるニューラルテクニックを開発している。 我々のフレームワークは、同じ調音構造を持つリグとスキンキャラクタを学習する。 関節領域の変形品質を向上させるニューラルブレンディング形状を提案します。
  論文  参考訳（メタデータ） (2021-05-06T05:58:13Z)
• SkeletonNet: A Topology-Preserving Solution for Learning Mesh Reconstruction of Object Surfaces from RGB Images [85.66560542483286]
  本稿では,RGB画像から3次元物体表面再構成を学習する上での課題に焦点を当てる。 我々は,SkeGCNNとSkeDISNの2つのモデルを提案する。 提案するSkeletonNetの有効性を検証するための徹底的な実験を行った。
  論文  参考訳（メタデータ） (2020-08-13T07:59:25Z)
• What and Where: Modeling Skeletons from Semantic and Spatial Perspectives for Action Recognition [46.836815779215456]
  本研究では,新しい空間的視点から骨格をモデル化することを提案する。 意味論的観点から,共同関係のモデル化に熟練したトランスフォーマー型ネットワークを提案する。 空間的観点から,スケルトンデータをスパース形式に変換し,効率的な特徴抽出を行う。
  論文  参考訳（メタデータ） (2020-04-07T10:53:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。