CN112258608A - 一种基于数据驱动的动画自动生成方法及系统 - Google Patents

一种基于数据驱动的动画自动生成方法及系统 Download PDF

Info

Publication number
CN112258608A
CN112258608A CN202011129688.5A CN202011129688A CN112258608A CN 112258608 A CN112258608 A CN 112258608A CN 202011129688 A CN202011129688 A CN 202011129688A CN 112258608 A CN112258608 A CN 112258608A
Authority
CN
China
Prior art keywords
target key
motion
animation
key frames
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011129688.5A
Other languages
English (en)
Other versions
CN112258608B (zh
Inventor
不公告发明人
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zhongke Shenzhi Technology Co ltd
Original Assignee
Beijing Zhongke Shenzhi Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Zhongke Shenzhi Technology Co ltd filed Critical Beijing Zhongke Shenzhi Technology Co ltd
Priority to CN202011129688.5A priority Critical patent/CN112258608B/zh
Publication of CN112258608A publication Critical patent/CN112258608A/zh
Application granted granted Critical
Publication of CN112258608B publication Critical patent/CN112258608B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T13/00—Animation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种基于数据驱动的动画自动生成方法及系统，其中方法包括：给定一组动画角色的示例运动；通过自回归递归神经网络学习所述动画角色的运动特征，并训练形成一自回归运动模型；给定一组目标关键帧；所述自回归运动模型根据各所述目标关键帧的运动特征生成与所述目标关键帧的运动特征相匹配的插值帧，并将所述插值帧自动插接在各所述目标关键帧之间，最终合成使用所述目标关键帧编排的新的运动。本发明可在给定的目标关键帧之间插接过渡自然的插值帧，并合成使用各目标关键帧编排的新的运动，大幅降低了人为编排角色运动的复杂度。

Description

一种基于数据驱动的动画自动生成方法及系统
技术领域
本发明涉及动画制作技术领域，具体涉及一种基于数据驱动的动画自动生成方法及系统。
背景技术
动画视频制作在建筑业、影视拍摄等领域得到了广泛应用。在动画视频制作中，艺术家们需要花费很多时间来定义关键帧，然后通过这些关键帧编排出新的动作，最后合成为动画。但人为编排运动姿态的方式非常复杂，比如制作皮克斯动画的动画师通常一到两周时间才能够编排出具有高逼真度的动画，所以在动画视频制作领域，动画师们希望能够找到一种运动姿态自动编排并可合成为过渡自然的新的运动的方法，但目前尚没有有效的自动编排方法以编排出高逼真度的动画。
发明内容
本发明的目的在于提供一种基于数据驱动的动画自动生成方法及系统，以解决上述技术问题。
为达此目的，本发明采用以下技术方案：
提供一种基于数据驱动的动画自动生成方法，包括：
给定一组动画角色的示例运动；
通过自回归递归神经网络学习所述动画角色的运动特征，并训练形成一自回归运动模型；
给定一组目标关键帧；
所述自回归运动模型根据各所述目标关键帧的运动特征生成与所述目标关键帧的运动特征相匹配的插值帧，并将所述插值帧自动插接在各所述目标关键帧之间，最终合成使用所述目标关键帧编排的新的运动。
作为本发明的一种优选方案，所述动画角色的示例运动为顽皮台灯的跳跃运动。
作为本发明的一种优选方案，所述顽皮台灯的角色运动模型包括基连杆、腿连杆和颈连杆，所述顽皮台灯的运动姿态具有6个自由度，分别为所述基连杆在x轴向上的位置、所述基连杆在y轴向上的位置、所述基连杆与水平线之间的关节角θ1、所述基连杆与所述腿连杆之间的关节角θ2、所述腿连杆与所述颈连杆之间的关节角θ3以及所述顽皮台灯灯头处的关节角θ4。
作为本发明的一种优选方案，可通过以下公式(1)预测所述顽皮台灯的运动姿态：
τ＝kp(θd-θ)-kdω 公式(1)
公式(1)中，τ表示可将连杆移向给定的目标姿态θd的驱动力矩；
θd为希望连杆作出的目标姿态；
θ为用关节角表示连杆的当前所处位置；
kp表示驱动关节运动的比例微分控制器的刚度；
kd表示所述顽皮台灯跳跃的阻尼参数；
ω为连杆的当前运动速度。
作为本发明的一种优选方案，生成与所述目标关键帧的运动特征相匹配的所述插值帧的方法包括：
所述自回归运动模型识别各所述目标关键帧中运动目标的关节姿态；
所述自回归运动模型根据前后的所述目标关键帧中运动目标的关节姿态，在一图像数据库中检索出可插接在两所述目标关键帧之间的图像集；
根据动画合成逼真度要求，在检索到的所述图像集中选定插接图像作为所述插接帧并按照关节姿态变化幅度由小变大插接在两所述目标关键帧之间。
作为本发明的一种优选方案，通过关节角表示所述运动目标的所述关节姿态。
作为本发明的一种优选方案，根据所述目标关键帧中运动目标的关节姿态，从所述图像数据库中检索出可插接在两所述目标关键帧之间的目标图像的方法具体包括如下步骤：
计算所述目标关键帧中的运动目标的每一关节的关节角，得到同个关节在前一所述目标关键帧中的第一关节角和在后一所述目标关键帧中的第二关节角；
从所述图像数据库中检索出对应关节的关节角在所述第一关节角和所述第二关节角之间的所述目标图像作为可插接在所述目标关键帧之间的所述插值帧。
作为本发明的一种优选方案，将所述插接帧插接到所述目标关键帧之间的方法包括：
根据动画合成逼真度要求，明确需要插接的所述插接帧的数量；
按照关节角变化幅度由小到大依序插接在两所述目标关键帧之间。
本发明还提供了一种基于数据驱动的动画自动生成系统，可实现所述动画自动生成方法，所述动画自动生成系统包括：
示例运动序列输入模块，用于输入动画角色的示例运动序列；
自回归运动模型训练模块，连接所述示例运动序列输入模块，用于以所述示例运动序列为模型训练样本，通过自回归递归神经网络学习所述动画角色的运动特征，并训练形成一自回归运动模型；
目标关键帧输入模块，用于输入一需要合成为动画的目标关键帧序列；
动画合成模块，分别连接所述目标关键帧输入模块和所述自回归运动模型训练模块，用于通过所述自回归运动模型生成与各所述目标关键帧的运动特征相匹配的插值帧，并将各所述插值帧自动插接在各目标关键帧之间，最终合成使用各所述目标关键帧编排的新的运动。
本发明可在给定的目标关键帧之间插接过渡自然的插值帧，并合成使用各目标关键帧编排的新的运动，大幅降低了人为编排角色运动的复杂度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的基于数据驱动的动画自动生成方法的步骤图；
图2是本发明一实施例提供的基于数据驱动的动画自动生成系统的结构示意图；
图3是顽皮台灯的角色运动模型的示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
在本发明的描述中，除非另有明确的规定和限定，若出现术语“连接”等指示部件之间的连接关系，该术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本发明一实施例提供的基于数据驱动的动画自动生成方法，如图1所示，包括如下步骤：
步骤S1，给定一组动画角色的示例运动；
步骤S2，通过自回归递归神经网络(RNN)学习该动画角色的运动特征，并训练形成一自回归运动模型；
步骤S3，给定一组目标关键帧；
步骤S4，自回归运动模型根据各目标关键帧的运动特征生成与目标关键帧的运动特征相匹配的插值帧，并将插值帧自动插接在目标关键帧之间，最终合成使用目标关键帧编排的新的运动。
本实施例以顽皮台灯的跳跃运动作为动画角色的示例运动为例，对目标关键帧进行插值的过程进行阐述。
如图3所示，顽皮台灯的角色运动模型包括基连杆L1、腿连杆L2和颈连杆L3，顽皮台灯的运动姿态具有6个自由度，分别为基连杆在x轴向上的位置、基连杆在y轴向上的位置、基连杆与水平线之间的关节角θ1、基连杆与腿连杆之间的关节角θ2、腿连杆与颈连杆之间的关节角θ3以及顽皮台灯灯头L4处的关节角θ4。
本发明可通过以下公式(1)预测出顽皮台灯的运动姿态：
τ＝kp(θd-θ)-kdω 公式(1)
公式(1)中，τ表示可将连杆(基连杆或腿连杆或颈连杆)移向给定的目标姿态θd的驱动力矩；
θd为希望连杆作出的目标姿态；
θ为用关节角表示连杆的当前所处位置；
kp表示驱动关节运动的比例微分控制器的刚度；
kd表示顽皮台灯跳跃的阻尼参数；
ω为连杆的当前运动速度。
由上述公式可知，在连杆当前的所处位置和运动速度下，给连杆施加一驱动力矩τ，可以预测出连杆即将作出的运动姿态θd。为了确保合成的新的运动能够自然过渡，插值帧上运动目标上的各个关节的关节姿态最好处于插值帧的前一目标关键帧和后一目标关键帧中的对应关节的姿态值之间，比如前一目标关键帧上某个运动关节的关节角为20°，后一目标关键帧的同个关节的关节角为40°，那么插入到该前后两帧目标关键帧中的插值帧上的同个关节角的运动姿态最好处于20°-40°之间。所以为了确保过渡自然，本实施例提供的生成与目标关键帧的运动特征相匹配的插值帧的方法包括：
1)自回归运动模型识别各目标关键帧中运动目标的关节姿态；
2)自回归运动模型根据前后的目标关键帧中运动目标的关节姿态，在一图像数据库中检索出可插接在两目标关键帧之间的图像集；
3)根据动画合成逼真度要求，在检索到的图像集中选定插接图像作为插接帧并按照关节姿态变化幅度由小变大插接在两目标关键帧之间。
本实施例通过关节角表示运动目标的运动姿态。
本实施例根据目标关键帧中运动目标的关节姿态，从图像数据库中检索出可插接在两目标关键帧之间的目标图像的方法具体包括如下步骤：
首先，计算目标关键帧中的运动目标的每一关节的关节角，得到同个关节在前一目标关键帧中的第一关节角和在后一目标关键帧中的第二关节角；
从图像数据库中检索出对应关节的关节角在第一关节角和第二关节角之间的目标图像作为可插接在目标关键帧之间的插值帧。
本实施例中，将插值帧插接到目标关键帧之间的方法包括：
根据动画合成逼真度要求，明确需要插接的插接帧的数量；
按照关节角变化幅度由小到大依序插接在两目标关键帧之间。
本发明还提供了一种基于数据驱动的动画自动生成系统，可实现上述的动画自动生成方法，具体地，如图2所示，该系统包括：
示例运动序列输入模块，用于输入动画角色的示例运动序列；
自回归运动模型训练模块，连接示例运动序列输入模块，用于以示例运动序列为模型训练样本，通过自回归递归神经网络学习动画角色的运动特征，并训练形成一自回归运动模型；
目标关键帧输入模块，用于输入一需要合成为动画的目标关键帧序列；
动画合成模块，分别连接目标关键帧输入模块和自回归运动模型训练模块，用于通过自回归运动模型生成与各目标关键帧的运动特征相匹配的插值帧，并将各插值帧自动插接在各目标关键帧之间，最终合成使用各目标关键帧编排的新的运动。
需要声明的是，上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白，还可以对本发明做各种修改、等同替换、变化等等。但是，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。另外，本申请说明书和权利要求书所使用的一些术语并不是限制，仅仅是为了便于描述。

Claims (9)

1.一种基于数据驱动的动画自动生成方法，其特征在于，包括：
给定一组动画角色的示例运动；
通过自回归递归神经网络学习所述动画角色的运动特征，并训练形成一自回归运动模型；
给定一组目标关键帧；
所述自回归运动模型根据各所述目标关键帧的运动特征生成与所述目标关键帧的运动特征相匹配的插值帧，并将所述插值帧自动插接在各所述目标关键帧之间，最终合成使用所述目标关键帧编排的新的运动。
2.根据权利要求1所述的基于数据驱动的动画自动生成方法，其特征在于，所述动画角色的示例运动为顽皮台灯的跳跃运动。
3.根据权利要求1所述的基于数据驱动的动画自动生成方法，其特征在于，所述顽皮台灯的角色运动模型包括基连杆、腿连杆和颈连杆，所述顽皮台灯的运动姿态具有6个自由度，分别为所述基连杆在x轴向上的位置、所述基连杆在y轴向上的位置、所述基连杆与水平线之间的关节角θ1、所述基连杆与所述腿连杆之间的关节角θ2、所述腿连杆与所述颈连杆之间的关节角θ3以及所述顽皮台灯灯头处的关节角θ4。
4.根据权利要求3所述的基于数据驱动的动画自动生成方法，其特征在于，可通过以下公式(1)预测所述顽皮台灯的运动姿态：
τ＝kp(θd-θ)-kdω 公式(1)
公式(1)中，τ表示可将连杆移向给定的目标姿态θd的驱动力矩；
θd为希望连杆作出的目标姿态；
θ为用关节角表示连杆的当前所处位置；
kp表示驱动关节运动的比例微分控制器的刚度；
kd表示所述顽皮台灯跳跃的阻尼参数；
ω为连杆的当前运动速度。
5.根据权利要求1所述的基于数据驱动的动画自动生成方法，其特征在于，生成与所述目标关键帧的运动特征相匹配的所述插值帧的方法包括：
所述自回归运动模型识别各所述目标关键帧中运动目标的关节姿态；
所述自回归运动模型根据前后的所述目标关键帧中运动目标的关节姿态，在一图像数据库中检索出可插接在两所述目标关键帧之间的图像集；
根据动画合成逼真度要求，在检索到的所述图像集中选定插接图像作为所述插接帧并按照关节姿态变化幅度由小变大插接在两所述目标关键帧之间。
6.根据权利要求5所述的基于数据驱动的动画自动生成方法，其特征在于，通过关节角表示所述运动目标的所述关节姿态。
7.根据权利要求6所述的基于数据驱动的动画自动生成方法，其特征在于，根据所述目标关键帧中运动目标的关节姿态，从所述图像数据库中检索出可插接在两所述目标关键帧之间的目标图像的方法具体包括如下步骤：
计算所述目标关键帧中的运动目标的每一关节的关节角，得到同个关节在前一所述目标关键帧中的第一关节角和在后一所述目标关键帧中的第二关节角；
从所述图像数据库中检索出对应关节的关节角在所述第一关节角和所述第二关节角之间的所述目标图像作为可插接在所述目标关键帧之间的所述插值帧。
8.根据权利要求7所述的基于数据驱动的动画自动生成方法，其特征在于，将所述插接帧插接到所述目标关键帧之间的方法包括：
根据动画合成逼真度要求，明确需要插接的所述插接帧的数量；
按照关节角变化幅度由小到大依序插接在两所述目标关键帧之间。
9.一种基于数据驱动的动画自动生成系统，可实现如权利要求1-8任意一项所述的动画自动生成方法，其特征在于，包括：
示例运动序列输入模块，用于输入动画角色的示例运动序列；
自回归运动模型训练模块，连接所述示例运动序列输入模块，用于以所述示例运动序列为模型训练样本，通过自回归递归神经网络学习所述动画角色的运动特征，并训练形成一自回归运动模型；
目标关键帧输入模块，用于输入一需要合成为动画的目标关键帧序列；
动画合成模块，分别连接所述目标关键帧输入模块和所述自回归运动模型训练模块，用于通过所述自回归运动模型生成与各所述目标关键帧的运动特征相匹配的插值帧，并将各所述插值帧自动插接在各目标关键帧之间，最终合成使用各所述目标关键帧编排的新的运动。
CN202011129688.5A 2020-10-22 2020-10-22 一种基于数据驱动的动画自动生成方法及系统 Active CN112258608B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011129688.5A CN112258608B (zh) 2020-10-22 2020-10-22 一种基于数据驱动的动画自动生成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011129688.5A CN112258608B (zh) 2020-10-22 2020-10-22 一种基于数据驱动的动画自动生成方法及系统

Publications (2)

Publication Number Publication Date
CN112258608A true CN112258608A (zh) 2021-01-22
CN112258608B CN112258608B (zh) 2021-08-06

Family

ID=74263275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011129688.5A Active CN112258608B (zh) 2020-10-22 2020-10-22 一种基于数据驱动的动画自动生成方法及系统

Country Status (1)

Country Link
CN (1) CN112258608B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071473A (zh) * 2023-03-03 2023-05-05 成都信息工程大学 一种动画运动关键帧的获取方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110187712A1 (en) * 2010-02-01 2011-08-04 Samsung Electronics Co., Ltd. Parallel operation processing apparatus and method
CN103020961A (zh) * 2012-11-26 2013-04-03 谭平 基于图像的虚拟服装拟合的方法和设备
CN108182719A (zh) * 2017-12-28 2018-06-19 北京聚力维度科技有限公司 人工智能自适应障碍地形的行进动画生成方法和装置
CN109816758A (zh) * 2018-12-21 2019-05-28 武汉西山艺创文化有限公司 一种基于神经网络的二维角色动画生成方法和装置
CN109993820A (zh) * 2019-03-29 2019-07-09 合肥工业大学 一种动画视频自动生成方法及其装置
CN111260762A (zh) * 2020-01-19 2020-06-09 腾讯科技（深圳）有限公司 一种动画实现方法、装置、电子设备和存储介质
CN111311714A (zh) * 2020-03-31 2020-06-19 北京慧夜科技有限公司 一种三维动画的姿态预测方法和系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110187712A1 (en) * 2010-02-01 2011-08-04 Samsung Electronics Co., Ltd. Parallel operation processing apparatus and method
CN103020961A (zh) * 2012-11-26 2013-04-03 谭平 基于图像的虚拟服装拟合的方法和设备
CN108182719A (zh) * 2017-12-28 2018-06-19 北京聚力维度科技有限公司 人工智能自适应障碍地形的行进动画生成方法和装置
CN109816758A (zh) * 2018-12-21 2019-05-28 武汉西山艺创文化有限公司 一种基于神经网络的二维角色动画生成方法和装置
CN109993820A (zh) * 2019-03-29 2019-07-09 合肥工业大学 一种动画视频自动生成方法及其装置
CN111260762A (zh) * 2020-01-19 2020-06-09 腾讯科技（深圳）有限公司 一种动画实现方法、装置、电子设备和存储介质
CN111311714A (zh) * 2020-03-31 2020-06-19 北京慧夜科技有限公司 一种三维动画的姿态预测方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ADRIAN HAARBACH 等: "Survey of Higher Order Rigid Body Motion Interpolation Methods for Keyframe Animation and Continuous-Time Trajectory Estimation", 《2018 INTERNATIONAL CONFERENCE ON 3D VISION》 *
关东东 等: "一种3维动画中间帧非线性插值算法", 《中国图象图形学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116071473A (zh) * 2023-03-03 2023-05-05 成都信息工程大学 一种动画运动关键帧的获取方法及系统

Also Published As

Publication number Publication date
CN112258608B (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
Thiebaux et al. Smartbody: Behavior realization for embodied conversational agents
CN113255457A (zh) 基于人脸表情识别的动画角色面部表情生成方法及系统
CN112258608B (zh) 一种基于数据驱动的动画自动生成方法及系统
CN112511853B (zh) 一种视频处理方法、装置、电子设备及存储介质
US20060262119A1 (en) Transfer of motion between animated characters
CN111627094B (zh) 一种骨骼动画生成的方法和装置
Mühlig et al. Automatic selection of task spaces for imitation learning
CN116485960A (zh) 数字人驱动方法及装置
CN113763518A (zh) 基于虚拟数字人的多模态无限表情合成方法及装置
Stefanidis et al. 3D technologies and applications in sign language
CN115008454A (zh) 一种基于多帧伪标签数据增强的机器人在线手眼标定方法
Pinhanez et al. Intelligent studios: Using computer vision to control TV cameras
Bindiganavale Building parameterized action representations from observation
US20160260232A1 (en) Systems and methods for creation of visualizations
CN115578298A (zh) 一种基于内容感知的深度肖像视频合成方法
US20230079986A1 (en) Method for establishing complex motion controller
CN114998487A (zh) 一种动画生成的方法、装置、设备及可读介质
JP6059614B2 (ja) 仕草生成装置、仕草生成システム、仕草生成方法およびコンピュータプログラム
CN104574475B (zh) 一种基于次级控制器的精细动画制作方法
KR100322618B1 (ko) 디지털 동화 생성 방법 및 장치
CN111696182A (zh) 一种虚拟主播生成系统、方法和存储介质
Gürel Turkish sign language animation with articulated body model
JP7321464B2 (ja) 抽出プログラム、画像生成プログラム、抽出方法、画像生成方法、抽出装置、および画像生成装置
Adamo-Villani et al. Signing Avatars
Cederborg et al. Imitating operations on internal cognitive structures for language aquisition

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP02 Change in the address of a patent holder
CP02 Change in the address of a patent holder

Address after: 100000 room 311a, floor 3, building 4, courtyard 4, middle Yongchang Road, Beijing Economic and Technological Development Zone, Beijing

Patentee after: Beijing Zhongke Shenzhi Technology Co.,Ltd.

Address before: 303 platinum international building, block C, fortune World Building, 1 Hangfeng Road, Fengtai District, Beijing

Patentee before: Beijing Zhongke Shenzhi Technology Co.,Ltd.

CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: Room 911, 9th Floor, Block B, Xingdi Center, Building 2, No.10, Jiuxianqiao North Road, Jiangtai Township, Chaoyang District, Beijing, 100000

Patentee after: Beijing Zhongke Shenzhi Technology Co.,Ltd.

Country or region after: China

Address before: 100000 room 311a, floor 3, building 4, courtyard 4, middle Yongchang Road, Beijing Economic and Technological Development Zone, Beijing

Patentee before: Beijing Zhongke Shenzhi Technology Co.,Ltd.

Country or region before: China