三维角色动画是计算机图形学的重要应用。电影游戏虚拟现实都需要三维角色动画。角色动画让虚拟人物活起来。角色动画的技术一直在发展。技术发展让动画更真实更生动。研究三维角色动画有实际意义。

本研究关注三维角色动画中的动作生成技术。动画师制作动画非常耗时。手工制作动画需要大量时间。动画师需要一帧一帧调整角色动作。这个过程效率很低。我们希望提高动画制作的效率。我们想研究如何用计算机自动生成角色动画。自动生成动画可以节省时间。自动生成动画可以降低制作成本。这是本研究的主要目的。

许多研究者已经做了相关工作。早期的动画使用关键帧技术。动画师制作几个关键动作。计算机补充中间的动作。这个方法现在还在使用。后来出现了动作捕捉技术。动作捕捉记录真人表演。传感器记录真人关节运动。数据直接驱动三维角色。动作捕捉得到的动画很真实。但动作捕捉设备很昂贵。数据也需要专业人员处理。

物理仿真也是生成动画的方法。物理仿真模拟真实世界的物理规律。角色运动符合重力碰撞等规律。物理仿真得到的动画很逼真。但物理仿真计算量很大。控制角色完成特定动作也很困难。

最近机器学习技术发展很快。机器学习在动画生成中应用广泛。研究人员用深度学习生成角色动作。神经网络学习大量动作数据。学习后网络可以生成新动作。生成对抗网络能产生逼真动作。强化学习让角色学习运动技能。角色通过试错学会走路跑步。这些方法取得了很好的效果。但机器学习方法需要大量数据。训练神经网络需要很长时间。生成的动作有时会出现错误。

本研究想结合多种技术的优点。我们计划用数据驱动的方法生成动画。我们会收集大量角色动作数据。数据可以来自动作捕捉库。数据可以来自公开动画数据集。我们会用这些数据训练模型。模型学习动作的基本规律。模型能理解不同动作之间的关系。

我们重点研究角色动作的风格化。角色动画不仅要动作正确。角色动画还需要表现个性。不同角色应该有不同动作风格。年轻人走路轻快。老年人走路缓慢。高兴时动作幅度大。悲伤时动作幅度小。当前研究对动作风格关注不够。大多数方法只生成标准动作。我们想让生成的动画具有丰富风格。

我们会设计一个新的神经网络模型。这个模型考虑动作的风格信息。模型输入包括动作的基本要求。模型输入还包括风格标签。风格标签描述动作的特点。模型学习根据风格生成动作。同一个动作可以有不同的风格。比如走路可以是开心的走路。走路可以是疲惫的走路。我们的模型应该能生成这些变化。

我们会使用条件生成对抗网络。生成器负责产生动作序列。判别器判断动作是否真实。判别器还会判断风格是否匹配。这样能保证动作既真实又有风格。

我们需要准备训练数据。我们会整理现有动作数据。我们会给数据添加风格标签。标签可以来自动作的文本描述。标签可以来自动作的情感分类。数据准备好后开始训练模型。训练需要很多时间。训练需要强大的计算机。

训练完成后我们测试模型效果。我们会设计一系列测试。测试包括动作质量评估。测试包括风格匹配评估。我们会请动画专家评价生成结果。我们会用定量指标测量动作误差。我们会比较不同方法的性能。

我们期待模型能生成多样化的动作。动画师可以输入想要的风格。模型快速生成相应动画。动画师可以在此基础上修改。这样能大大提高工作效率。

本研究可能遇到一些困难。数据收集可能不够全面。风格标签可能不够准确。模型训练可能不稳定。生成的动作可能不自然。我们会想办法解决这些问题。我们可以数据增强增加数据量。我们可以用半监督学习利用无标签数据。我们可以调整模型结构提高稳定性。

研究有理论意义也有应用价值。理论上我们探索动作风格表示方法。应用上我们提供动画制作新工具。研究结果可用于电影制作。研究结果可用于游戏开发。研究结果可用于虚拟现实。

我们按照计划开展研究。第一阶段阅读文献了解现状。第二阶段设计模型结构。第三阶段准备实验数据。第四阶段实现模型并训练。第五阶段测试分析结果。第六阶段总结研究成果。

研究需要计算机设备支持。研究需要动画数据支持。我们会申请相关资源。我们会与合作单位共享数据。

本研究希望推动三维角色动画发展。我们想减轻动画师的工作负担。我们想让角色动画更生动更有表现力。这是我们的目标。