Une méthode d’apprentissage en profondeur pour améliorer automatiquement les animations de chien

Une méthode d'apprentissage en profondeur pour améliorer automatiquement les animations de chien

Figure 1 : Bleu : images de l’animation initiale dépourvues des subtilités du vrai mouvement canin et contenant de petites erreurs. Vert : images correspondantes de l’ensemble de données de capture de mouvement canin de vérité terrain. Rouge : sortie après avoir passé l’animation initiale (bleue) via notre réseau de neurones d’amélioration de l’animation quadrupède. Crédit : DOI : 10.1145/3487983.3488293

Des chercheurs du Trinity College de Dublin et de l’Université de Bath ont récemment développé un modèle basé sur des réseaux de neurones profonds qui pourraient aider à améliorer la qualité des animations contenant des animaux quadrupèdes, tels que des chiens. Le cadre qu’ils ont créé a été présenté à la conférence MIG (Motion, Interaction & Games) 2021, un événement où les chercheurs présentent certaines des dernières technologies pour produire des animations et des jeux vidéo de haute qualité.

« Nous étions intéressés à travailler avec des données non humaines », a déclaré à TechXplore Donal Egan, l’un des chercheurs qui a mené l’étude. « Nous avons choisi les chiens pour des raisons pratiques, car ce sont probablement les animaux pour lesquels il est le plus facile d’obtenir des données. »

Créer des animations de bonne qualité de chiens et d’autres animaux quadrupèdes est une tâche difficile. Cela est principalement dû au fait que ces animaux se déplacent de manière complexe et ont des allures uniques avec des modèles de pas spécifiques. Egan et ses collègues voulaient créer un cadre qui pourrait simplifier la création d’animations quadrupèdes, produisant un contenu plus convaincant pour les vidéos d’animation et les jeux vidéo.

« Créer des animations reproduisant un mouvement quadrupède à l’aide de méthodes traditionnelles telles que l’image clé est assez difficile », a déclaré Egan. « C’est pourquoi nous avons pensé qu’il serait utile de développer un système qui pourrait automatiquement améliorer une animation initiale approximative, éliminant ainsi le besoin pour un utilisateur d’en créer une très réaliste à la main. »

L’étude récente menée par Egan et ses collègues s’appuie sur les efforts antérieurs visant à utiliser l’apprentissage en profondeur pour générer et prédire les mouvements humains. Pour obtenir des résultats similaires avec des mouvements quadrupèdes, ils ont utilisé un large ensemble de données de capture de mouvement représentant les mouvements d’un vrai chien. Ces données ont été utilisées pour créer plusieurs animations de chien réalistes et de haute qualité.

« Pour chacune de ces animations, nous avons été en mesure de créer automatiquement une » mauvaise « animation correspondante avec le même contexte mais de qualité réduite, c’est-à-dire contenant des erreurs et manquant de nombreux détails subtils du vrai mouvement du chien », Donal Egan, l’un des chercheurs qui ont mené l’étude, a déclaré TechXplore. « Nous avons ensuite formé un réseau de neurones pour apprendre la différence entre ces « mauvaises » animations et les animations de haute qualité. »

Après avoir été formé sur des animations de bonne et de mauvaise qualité, le réseau de neurones des chercheurs a appris à améliorer les animations de chiens : améliorer leur qualité et les rendre plus réalistes. L’idée de l’équipe était qu’au moment de l’exécution, les animations initiales pouvaient avoir été créées à l’aide de diverses méthodes, y compris des techniques d’image clé, elles pourraient donc ne pas être très convaincantes.

« Nous avons montré qu’il est possible pour un réseau de neurones d’apprendre à ajouter les détails subtils qui rendent une animation quadrupède plus réaliste », a déclaré Egan. « Les implications pratiques de notre travail sont les applications dans lesquelles il pourrait être incorporé. Par exemple, il pourrait être utilisé pour accélérer un pipeline d’animation. Certaines applications créent des animations en utilisant des méthodes telles que la cinématique inverse traditionnelle, qui peut produire des animations qui manquent de réalisme ; notre travail pourrait être intégré comme étape de post-traitement dans de telles situations.

Les chercheurs ont évalué leur algorithme d’apprentissage en profondeur dans une série de tests et ont découvert qu’il pouvait améliorer considérablement la qualité des animations de chiens existantes, sans changer la sémantique ou le contexte de l’animation. À l’avenir, leur modèle pourrait être utilisé pour accélérer et faciliter la création d’animations à utiliser dans des films ou des jeux vidéo. Dans leurs prochaines études, Egan et ses collègues prévoient de continuer à explorer les moyens de reproduire numériquement et graphiquement les mouvements des chiens.

« Notre groupe s’intéresse à un large éventail de sujets, notamment les graphiques, l’animation, l’apprentissage automatique et l’incarnation d’avatar dans la réalité virtuelle », a déclaré Egan. « Nous voulons combiner ces domaines pour développer un système d’incarnation de quadrupèdes en réalité virtuelle, permettant aux joueurs ou aux acteurs de devenir un chien en réalité virtuelle. Les travaux abordés dans cet article pourraient faire partie de ce système, en nous aidant à produire animations quadrupèdes réalistes en VR. »


De nouvelles animations donnent vie à des concepts scientifiques complexes


Plus d’information:
Comment dresser votre chien : amélioration neuronale des animations quadrupèdes. MIG’21, Mouvement, Interaction et Jeux(2021). DOI : 10.1145/3487983.3488293.

© 2021 Réseau Science X

Citation: Une méthode d’apprentissage en profondeur pour améliorer automatiquement les animations de chiens (2021, 26 novembre) récupérée le 26 novembre 2021 à partir de https://techxplore.com/news/2021-11-deep-method-automatically-dog-animations.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.