Bewegungs-Zwischenbildung mittels Deep-$Δ$-Interpolatoren

Wir zeigen, dass die Synthese menschlicher Bewegungen unter Bedingung einer Menge von Schlüsselbildern genauer und effektiver gelöst werden kann, wenn ein auf tiefen Lernverfahren basierender Interpolator im Delta-Modus arbeitet und dabei der sphärische lineare Interpolator als Baseline dient. Wir belegen empirisch die Stärke unseres Ansatzes an öffentlich verfügbaren Datensätzen und erreichen dabei einen Stand der Technik. Darüber hinaus verallgemeinern wir diese Ergebnisse, indem wir zeigen, dass der $Δ$-Modus auch in Bezug auf den letzten bekannten Frame (auch bekannt als Null-Geschwindigkeits-Modell) tragfähig ist. Dies stützt die allgemeinere Schlussfolgerung, dass die Arbeit im lokalen Bezugssystem der Eingabebilder genauer und robuster ist als die im globalen (Welt-)Bezugssystem, wie in vorherigen Arbeiten vorgeschlagen. Unser Code ist öffentlich unter https://github.com/boreshkinai/delta-interpolator verfügbar.