A Region-Based Facial Motion Analysis and Retargeting Model for 3D Characters
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
With the expanding applicable scenarios of 3D facial animation, abundant research has been done on facial motion capture, 3D face parameterization, and retargeting. However, current retargeting methods still struggle to reflect the source motion on a target 3D face accurately. One major reason is that the source motion is not translated into precise representations of the motion meanings and intensities, resulting in the target 3D face presenting inaccurate motion semantics. We propose a region-based facial motion analysis and retargeting model that focuses on predicting detailed facial motion representations and providing a plausible retargeting result through 3D facial landmark input. We have defined the regions based on facial muscle behaviours and trained a motion-to-representation regression for each region. A refinement process, designed using an autoencoder and a motion predictor for facial landmarks, which works for both real-life subjects' and fictional characters' face rigs, is also introduced to improve the precision of the retargeting. The region-based strategy effectively balances the motion scales of the different facial regions, providing reliable representation prediction and retargeting results. The representation prediction and refinement with 3D facial landmark input have enabled flexible application scenarios such as video-based and marker-based motion retargeting, and the reuse of animation assets for Computer-Generated (CG) characters. Our evaluation shows that the proposed model provides semantically more accurate and visually more natural results than similar methods and the commercial solution from Faceware. Our ablation study demonstrates the positive effects of the region-based strategy and the refinement process.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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