[发明专利]一种基于深度学习的身体动画绑定加速方法

说明书

本发明提供一种基于深度学习的身体动画绑定加速方法，利用深度学习对数字角色骨骼动画数据到数字角色身体以及服饰的网络多边形的对应关系进行建模，通过训练海量骨骼动画数据以及对应的身体网格多边形之间的关系，实现骨骼动画直接驱动身体网格多边形以及服饰网格的变形，直接取代原始的绑定系统中复杂的节点链接。本发明利用深度学习替换原有绑定系统中复杂的节点关系和计算，实现骨骼动画对身体以及服饰网格变形器的直接驱动，极大加速了绑定文件的交互速度，大大加速了原始绑定。

技术领域

本发明涉及动画制作领域，具体而言涉及一种基于深度学习的身体动画绑定加速方法。

背景技术

在高保真度数字电影制作过程中，为了生成逼真的角色动画，绑定艺术家通常会为数字角色身体网格多边形制作极其复杂的绑定控制器以及多重修形变形器。通常情况下数字角色的衣服网络多边形以及附加组件也需要对应的修形变形器。这样会导致绑定解算节点图庞大复杂，场景过重，使得软件交互速度大幅下降，同时影响后续动画制作环节的效率。事实上，绑定环节造成的速度下降一直是动画制作流程中的一个顽固痛点。现有技术都尝试使用各种传统方法来加速绑定解算过程，但由于DCC软件自身架构的限制，这些尝试并没有实现较为显著的突破。

公开号为CN113781616A的专利公开了一种基于神经网络的面部动画绑定加速方法，其针对的是面部绑定，面部绑定使用的大部分是在不同的blendshape之间驱动网格变形，限制作了在很多场景的用途。

发明内容

本发明目的在于针对现有技术的不足，本发明旨在利用深度学习对数字角色骨骼动画数据到数字角色身体以及服饰的网络多边形的对应关系进行建模，通过训练海量骨骼动画数据以及对应的身体网格多边形之间的关系，实现骨骼动画直接驱动身体网格多边形以及服饰网格的变形，直接取代原始的绑定系统中复杂的节点链接。

为实现上述目的，本发明所采用的技术方案如下：本发明公开了一种基于深度学习的身体动画绑定加速方法，包括以下步骤：

S1训练数据生成

线性变形可以从骨骼的空间变换直接算出，神经网络学习的是非线性驱动部分；

S2训练数据处理

将所有顶点根据对于他们影响最大的骨骼分成若干互斥的集合即N个集合，并将所有形变数值转到这个集合对应的骨骼本地空间；

顶点k移动的位移信息，可以看作是一个function f(S)，对于每个顶点k而言，非线性变形如以下公式：

其中k为单个顶点序号，d_k(S)是顶点k在原始绑定的形变位置，是顶点k在绑定原始状态(rest pose)下的位置，t_bk和分别代表影响顶点k的骨骼b_k在当前和原始状态(rest pose)下的位置。X_bk和分别代表骨骼b_k在当前和原始状态(rest pose)下的空间转换矩阵；

对于顶点k的变形方程就可以写成：

对于每个集合对应的神经网络，优化目标公式如下

代表网络学习出来的结果，θ是网络要优化的参数，i代表网络索引，d_k(sⁱ)是实际上每个顶点k的变形；

S3网络搭建及训练

根据S2中的数据处理，神经网络个数取决于集合个数N，每个网络代表单个骨骼对于集合中各个顶点的影响,每个网络由两个全连接层和一个线性输出层组成,网络输入是所有骨骼的位移以及旋转数值，输出是每个集合的顶点位移,这些集合的所有数值构成了一整个身体或者服饰的网格多边形的每个顶点信息；