MétaCan
Menu
Retour à la cohorte
Enregistrement W3214254608 · doi:10.22215/etd/2020-13936

Vertex-Based Facial Animation Transfer System for Models with Different Topology; A Tool for Maya

2020· dissertation· en· W3214254608 sur OpenAlexaff
Vatsla Chauhan

Notice bibliographique

Revuenon disponible
Typedissertation
Langueen
DomaineComputer Science
ThématiqueFace recognition and analysis
Établissements canadiensCarleton University
Organismes subventionnairesnon disponible
Mots-clésAnimationVertex (graph theory)Computer scienceComputer animationComputer facial animationFace (sociological concept)Process (computing)Computer graphics (images)SoftwareSkeletal animationTopology (electrical circuits)Artificial intelligenceTheoretical computer scienceMathematicsProgramming languageGraph

Résumé

récupéré en direct d'OpenAlex

The transfer of realistic facial animations between two 3D models is limited and/or too cumbersome for general use.In this paper, we target transfer of facial expression animation and facial animation sequences within the 3D software modelling tool Autodesk Maya to eliminate some of the issues that animators come across while creating animations, along with making their process much faster and efficient.While current animation transferring processes in Maya work well, the downfall of these methods is that they only work properly if the source and target models have same vertex count, vertex order, and topology; in other words, the model has to be the same, and there is a lot of manual work required beforehand.We propose a system that eliminates these issues in order to achieve smooth and realistic animations while maintaining a 3D modelagnostic focus; the system features facial animation transfer between different models, i.e. different topology, vertex ordering and vertex count.The system is purely vertexbased; this helps to speed up the process since no rigging is necessary.Furthermore, the system reduces the amount of manual effort in order to accomplish a smooth and realistic facial animation. ICP -Iterative Closest Point FACS -Facial Action Coding System RBF -Radial basis Function LBS -Linear Blend Skinning AU -Action Unit kCCA -kernel Canonical Correlation Analysis CCA -Canonical Correlation Analysis FRGC -Face Recognition Grand Challenge AVO -Audio-Visual Objects FAPS -Face Animation Parameters k-NN -k-Nearest Neighbour SDR -Software Defined Radio NET -Neighbour-Expression Transfer MU -Motion Unit MUP -Motion Unit Parameters DPCM -Differential Pulse Code Modulation DCT -Discrete Cosine Transform BIFS -Binary Format for Scenes FFD -Free Form Deformation

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,032
Score d'incertitude au seuil0,108

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0020,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0320,007

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,023
Tête enseignante GPT0,247
Écart entre enseignants0,224 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetFace recognition and analysisTravaux en français237 207