التحريك المُوثوق بين الإطارات

في هذه الدراسة، نقدّم تقنية جديدة وقوية لإنشاء انتقالات (transitions)، يمكن أن تُستخدم كأداة مبتكرة لفناني الرسوم المتحركة ثلاثية الأبعاد، بالاعتماد على الشبكات العصبية التكرارية المُضادة (adversarial recurrent neural networks). يقوم النظام بتحقيق حركات عالية الجودة باستخدام إطارات رئيسية نادرة عبر الزمن كقيود للتحريك. يشبه هذا الأمر مهمة "الإكمال بين الإطارات" (in-betweening) في سير عمل الرسوم المتحركة التقليدية، حيث يقوم الفنان برسم الإطارات الحركية بين الإطارات الرئيسية المقدمة. نُظهر أولًا أن نموذج توقع الحركة من الطراز الرائد لا يمكن تحويله بسهولة إلى مُولّد انتقالات قوي عند إضافة معلومات تقييدية فقط حول الإطارات الرئيسية المستقبلية. ولحل هذه المشكلة، نقترح لاحقًا مُعدّلَيْن مُضاعفين جديدين، يُطبَّقان في كل خطوة زمنية على التمثيلات الخفية (latent representations) المُشفّرة داخل هيكل الشبكة. الأول هو تمثيل "الوقت المتبقي حتى الوصول" (time-to-arrival embedding)، الذي يسمح بتوليد انتقالات بطول متغير باستخدام نموذج واحد فقط. والثاني هو متجه ضوضاء هدف مُجدول (scheduled target noise vector)، الذي يمنح النظام مرونة عالية تجاه التشوهات في الهدف، ويسمح بالحصول على انتقالات مختلفة عند استخدام نفس الإطارات الرئيسية. ولتقييم منهجنا جودةً، نقدّم إضافة مخصصة لبرنامج MotionBuilder تعتمد على النموذج المدرّب لتنفيذ عملية "الإكمال بين الإطارات" في سيناريوهات إنتاجية حقيقية. ولتقييم الأداء كميًا من حيث جودة الانتقالات والقدرة على التعميم على فترات زمنية أطول، نقدّم معايير تقييم محددة جيدًا لعملية الإكمال بين الإطارات على جزء من مجموعة بيانات Human3.6M الشهيرة، وعلى LaFAN1، وهي مجموعة بيانات جديدة ذات جودة عالية لتسجيل الحركة، وتُعد أكثر ملاءمة لمشكلة إنشاء الانتقالات. وسنُطلق هذه المجموعة الجديدة من البيانات مع هذه الدراسة، مع توفير الشفرة البرمجية المصاحبة لإعادة إنتاج النتائج الأساسية (baselines) التي قدمناها.