TetraCoder:面向神经场的自适应四面体编码
TetraCoder: Adaptive Tetrahedral Encoding for Neural Fields
Daniele Della Pietra · Antonella Rech · Nicola Conci · 1+
几何的隐式与显式表示在计算机图形学应用中各有优劣:显式表示上的表面采样更快,隐式表示上的空间查询更快,因此高效的相互转换极具价值。TetraCoder 是一种单分辨率、无哈希的自适应四面体编码,将显式四面体空间编码器与底层隐式符号距离场(SDF)相连接。由此得到的隐式-显式混合空间在设计上是连续分段仿射(CPWA)的,使隐式 SDF 与显式解析网格之间能够精确对应。该设计还带来额外优势:(a) 由于采用单分辨率可优化网格,其扩展性优于多分辨率编码方法;(b) 与基于哈希的方法不同,它不受碰撞影响;(c) 可直接通过其自适应四面体骨架实现快速四面体光线追踪以及几何与外观编辑。在图像与点云的 2D/3D 拟合、3D 新视角合成、3D 重建以及几何/外观编辑等多项任务上,TetraCoder 相比当前最优方法均有提升,展示了其通用性。
基于姿态的动画角色神经服装
Pose-based Neural Clothing for Animated Characters
Julian N. Heidenreich · Vinicius C. Azevedo · Jakob Buhmann · 4+
传统动画角色的服装模拟因仿真缓慢和参数调优繁琐,成为美术师耗时瓶颈。数据驱动方法能从模拟数据集学习高质量变形,轻量网络设计可实现实时推理,显著改善工作流,让美术师交互式摆姿势并即时看到高质量褶皱。然而,现有神经服装方法在真实人体模型(如SMPL)数据集上表现良好,但在动画角色数据集上训练时难以泛化到未见姿态。本文旨在设计神经网络和训练策略,以实时更好地泛化到未见姿态,支持交互式摆姿势应用。聚焦于生产导向的单件服装准静态设置,利用平滑、表达性强的潜在空间,先训练变分自编码器(VAE),再逐步训练VAE编码器从重建过渡到姿态驱动预测。网络以低维姿态参数和角色身体表面位移为条件。引入新颖的局部梯度直方图损失,缓解重建损失的过度平滑效应。在生产级资产和公开数据集上的广泛评估表明,该方法能实时生成锐利逼真的褶皱、平滑的大尺度悬垂和时间连贯性,为交互式摆姿势工作流提供稳健且易于集成的解决方案。
已到最早一页已出中文摘要 2