This paper presents a novel approach for exploring diverse and expressive motions that are physically correct and interactive. The approach combining user participation in with the animation development process using crowdsourcing to remove the need for data-driven libraries while address aesthetic limitations. A core challenge for character animation solutions that do not use pre-recorded data is they are constrained to specific actions or appear unnatural and out of place (compared to real-life movements). Character movements are very subjective to human perception (easily identify underlying unnatural or strange patterns with simple actions, such as walking or climbing). We present an approach that leverage's crowdsourcing to reduce these uncanny artifacts within generated character animations. Crowdsourcing animations is an uncommon practice due to the complexities of having multiple people working in parallel on a single animation. A web-based solution for analysis and animation is presented in this paper. It allows users to optimize and evaluate complicated character animation mechanism conveniently on-line. The context of this paper introduces a simple animation system, which is integrated into a web-based solution (JavaScript/HTML5). Since Web browser are commonly available on computers, the presented application is easy to use on any platform from any location (easy to maintain and share). Our system combines the expressive power of web pages for visualising content on-the-fly with a fully fledged interactive (physics-based) animation solution that includes a rich set of libraries.


翻译:本文展示了一种探索物理上正确和互动的多样化和表达式运动的新颖方法。 将用户参与与动画开发过程相结合的方法, 使用众包, 消除数据驱动图书馆的需求, 并解决审美限制问题。 不使用预录数据的字符动画解决方案面临的核心挑战是, 不使用预录数据的字符动画解决方案, 其核心挑战在于它们受制于特定行动, 或看起来不自然和不合时宜( 与真实生活运动相比)。 性动作对人类感知来说非常主观性( 简单识别背后的非自然或奇怪的模式, 包括行走或爬行等简单动作 ) 。 我们展示了一种利用众包来减少生成的字符动画中这些不可失明的艺术品的方法。 众包动画是一种罕见的做法, 原因是多人同时在单一动画上工作的复杂性。 本文介绍了一种基于网络的分析和动画解决方案, 用户可以方便地优化和评估复杂的性动画机制。 本文的背景介绍一个简单的动画系统, 将它纳入基于网络的解决方案 (JavaSripitt/HTML.5) 。 由于计算机上通常可以使用网络浏览浏览浏览浏览器,因此, 提出的应用程序可以完全使用一个来自任何直观的页面。

0
下载
关闭预览

相关内容

Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
152+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium9
中国图象图形学学会CSIG
0+阅读 · 2021年12月17日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium5
中国图象图形学学会CSIG
1+阅读 · 2021年11月11日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium2
中国图象图形学学会CSIG
0+阅读 · 2021年11月8日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年8月18日
Arxiv
0+阅读 · 2022年8月17日
Arxiv
0+阅读 · 2022年8月17日
Arxiv
0+阅读 · 2022年8月17日
VIP会员
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium9
中国图象图形学学会CSIG
0+阅读 · 2021年12月17日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium5
中国图象图形学学会CSIG
1+阅读 · 2021年11月11日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium2
中国图象图形学学会CSIG
0+阅读 · 2021年11月8日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员