Compressed Skinning for Facial Blendshapes

我们提出了一种新的方法，将经典的面部动画混合形状烘焙到快速线性混合蒙皮表示中。以前的工作探索了蒙皮分解方法，使用稠密的骨骼变换集合来近似一般的动画网格；这些优化器通常在优化骨骼变换和蒙皮权重之间交替进行。我们离开这种交替方案，提出了一种基于近端算法的新方法，这实际上意味着向流行的Adam优化器添加一个投影步骤。这种方法非常灵活，使我们能够快速尝试各种附加约束和/或损失函数。具体来说，我们离开了经典的蒙皮范例，并将变换系数限制为仅包含约10％的非零值，同时实现与最先进的技术相似的精度和视觉质量。稀疏存储使我们的方法能够在内存和运行时间速度方面实现显着的节省。我们在PyTorch中包含了我们新的蒙皮分解方法的紧凑实现，易于实验和修改相关问题。

论文旨在提出一种新的方法将经典的面部动画混合形状融合成快速的线性混合蒙皮表示，以解决传统蒙皮方法中的存储和运行速度问题。

与传统的优化器不同，论文提出了一种基于近端算法的新方法，将投影步骤添加到流行的Adam优化器中，实现了对转换系数进行约束的目的，并显著提高了存储和运行速度。

论文采用了灵活的方法，可以快速尝试各种附加约束和/或损失函数。同时，论文还提供了一个易于实验和修改的PyTorch实现，并在实验中使用了多个数据集。

最近的相关研究包括使用神经网络的面部表情捕捉方法和基于深度学习的蒙皮优化方法。