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成快速线性混合蒙皮表示。以前的工作探索了皮肤分解方法，使用密集的骨骼变换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，这实际上意味着在流行的Adam优化器中添加了一个投影步骤。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。具体而言，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90％的非零值，同时实现了与最先进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中包含了我们的新皮肤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（blendshapes）烘焙成快速的线性混合蒙皮（linear blend skinning）表示。这个方法试图解决的问题是什么？

论文提出了一种基于近端算法的新方法，将传统的蒙皮范式进行了改进，将转换系数限制为只包含约90％的非零值，同时实现类似于最先进技术的准确度和视觉质量。这种稀疏存储使得该方法在内存和运行时间方面都能够显著节省。

该论文的亮点包括使用基于近端算法的新方法，相比于传统的蒙皮范式，该方法能够节省内存和运行时间。此外，该论文还提供了一个紧凑的PyTorch实现，易于实验和修改。论文还使用了哪些数据集和实验，是否有开源代码等信息没有给出。

最近在这个领域中，还有一些相关的研究，如《DeepCap：Monocular Human Performance Capture Using Weak Supervision》、《Learning to Dress 3D People in Generative Clothing》等。