摘要

在本研究中，我们提出了一种基于对抗性循环神经网络（adversarial recurrent neural networks）的新型、鲁棒的过渡动作生成技术，可作为3D动画师的新工具。该系统能够基于时间上稀疏的关键帧作为动画约束，合成高质量的动作序列。这一过程类似于传统动画流程中的“补间动画”（in-betweening）任务，即动画师在给定的关键帧之间绘制中间运动帧。我们首先表明，仅通过引入未来关键帧的条件信息，现有的先进动作预测模型难以直接转化为鲁棒的过渡生成器。为解决该问题，我们进一步提出两种新颖的可加性嵌入修正模块，它们在每一时间步作用于网络架构内部编码的潜在表示上。其中一种为“到达时间嵌入”（time-to-arrival embedding），使同一模型能够灵活适应不同长度的过渡过程；另一种为“调度式目标噪声向量”（scheduled target noise vector），使系统对目标姿态的扰动具有更强的鲁棒性，并在固定关键帧条件下实现多样化的过渡采样。为定性评估所提方法，我们开发了一款定制的MotionBuilder插件，利用训练好的模型在实际生产场景中执行补间动画任务。为定量评估模型在过渡生成性能及对更长时间尺度的泛化能力，我们在广泛使用的Human3.6M数据集的一个子集以及LaFAN1——一个专为过渡生成任务设计的新型高质量动作捕捉数据集——上构建了明确的补间动画基准测试。本文将同步发布该新数据集，并附带完整代码，以供复现我们的基线实验结果。