本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。

我们在打游戏、看动漫的时候，遇到过不少这样的情况：

感觉哪里不太对……

现在，这些3D人体模型可以得到改进了~体态更逼真、褶皱更连肌自然、肌肉更饱满：

连情绪都显得更投入了……

甚至肌肉颤动也清晰可见：

这么一对比，差距很明显了~

不仅动画质量更高，这种新方法还大量减少了人工参与，制作速度更快了。

要知道，以前的动画需要繁琐的步骤，比如：搭建骨骼肉颤、蒙皮、刷权重等等……动画师往往要为此修炼数年，效果还常常不尽人意。

现在，只需一个神经网络就能搞定。

不仅如此，它还可以从形象中预测骨骼，并绑定权重，更容易地用运动捕捉来制作动画。

这一研究成果，由北京大学、北动都京电影学院等高校和机构合作完成。

相关论文《Learning Skeletal Articulations with Neural Blend Shapes》在SIGGRAPH 2021上发表，代码现已开源。

提出神经融合形清晰状技术

团队开发了一套神经网络，用来生成具有指定结构的骨骼，并且精准绑定骨骼的蒙皮权重。

它由两个部分组成：包裹变形分支（envelope deformation branch）和补偿变形分支（residual可见 deformation branch）。

其中，包裹变形分支通过间接监督，学习由偏移量组成的特定骨架层次的装配参数，最后从输入角色中预测出骨架、蒙皮和权重绑定。

你可能会说，常用的动画制作工具Mixamo中！3，也有绑定和蒙皮。

但是新方法能做的不只这些，它还可以准确预测与模型高度匹配的骨骼，并绑定权重。

从而更容易进行动作捕捉，制作动画：

并且，利用一种神经融合形状（neural blend shapes）技术，补偿变形分支D人可以根据输入的网格连接，来预测对应的融合形状（blend shapes）。

与此同时，根据关节旋转预测融合系数，然后基于此插值得到补偿变形。

比如，神经混合形状会纠正肌肉的形状，准确保留鼓起的肌肉：

与LBS（线体模性混合蒙皮）算法的效果相比，细节处理得更好：

与三维动画制作软件Blender的效果对比：（小肚腩被完美保留了）

除此之外，研究团队还对神经混合形状系数进行了可视化，可以看到左侧输出的形象，与右侧相应的姿势绑定。

并型自且，通过颜色变化，表现各关节的混合形状系数激活程度。

利用这一方法，神经网络只需观察变形后的人物模型进行间接学习，而不需要对训练数据集的变形方法有任何限制，极大扩大了适用范围。

最终实现了，实时、高质量的三维人动生物模型动画端到端自动生成。

一作来自北大图灵班

团队由来自北京大学陈宝权教授研究团队、北京电影学院未来影像高精尖创新中心、Google Research、特拉维夫大学，以及苏黎世联邦理工学院的研究人员组成。

论文一作成算，是来自北大图灵班的一名本科生——李沛卓。

他毕业于重庆一中，曾入选信息学竞赛省队，2017年高考以687分考入北大。

目前，李沛卓师从陈宝权教授，研究方向是深度学习和计算机图形学，正在北京大学视觉计算与学习实验法，室和北京电影学院未来影像高精尖创新中心（AICFVE）实习。

此前，他已有论文登上SIGGRAPH。在与量子位交流时，他曾表示对图形学特别感兴趣。

论文的更多细节，感兴趣的小伙伴，可以戳链接了解详情。

项目主页一作：
https://peizhuoli.github.io/neural-blend-shapes/
论文地址：
https://peizhuoli.github.io/neural-blend-shapes/北大papers/neural-blend-shapes-camera-ready.pdf