Motion Keyframe Interpolation for Any Human Skeleton via Temporally Consistent Point Cloud Sampling and Reconstruction

在角色动画领域，现代监督式关键帧插值模型已经展示出在从稀疏姿势定义中构建自然人类动作方面的出色性能。作为监督模型，需要大量的运动数据集来促进学习过程；然而，由于运动是用固定的分层骨骼表示的，因此这些数据集对于数据集外的骨骼来说是不兼容的。因此，期望获得所需骨架的动作数据集严重阻碍了实践中学习插值的可行性。为了克服这个限制，我们提出了基于点云的运动表示学习（PC-MRL），这是一种无监督的方法，可以实现骨骼之间的交叉兼容性，用于学习运动插值。PC-MRL包括使用时间点云采样的骨架混淆策略和从点云中无监督地重建骨架的方法。我们设计了一个时间点对点最近邻损失用于无监督学习。此外，我们提出了第一帧偏移四元数（FOQ）和休息姿势增强（RPA）策略，以克服我们的无监督点云到骨骼运动过程的必要限制。全面的实验证明了PC-MRL在没有来自原始数据集的监督的情况下，对于所需骨架的运动插值的有效性。

论文提出了Point Cloud-based Motion Representation Learning (PC-MRL)这一无监督方法，旨在解决现有监督学习方法在处理不同骨骼结构时需要大量数据集的限制，从而实现不同骨骼结构之间的动作插值学习。

PC-MRL方法包括骨骼模糊化和点云重建两个步骤，使用时间点云采样和无监督的点云到骨骼的重建方法，解决了现有监督学习方法在处理不同骨骼结构时需要大量数据集的限制。

论文提出了FOQ和RPA策略，以解决点云到骨骼的无监督学习过程中的限制。实验结果表明，PC-MRL方法可以在不需要原始数据集的情况下，实现不同骨骼结构之间的动作插值学习。

近期相关研究包括《DeepMimic: Example-Guided Deep Reinforcement Learning of Physics-Based Character Skills》和《Learning to Dress: Synthesizing Human Dressing Motion via Deep Reinforcement Learning》等。