Learned Motion Matching

Dans cet article, nous présentons une alternative apprise à l'algorithme de motion matching qui conserve ses propriétés positives tout en atteignant la scalabilité des modèles génératifs basés sur les réseaux neuronaux.
Bien que les modèles génératifs basés sur les réseaux neuronaux pour l'animation de personnages soient capables d'apprendre des contrôleurs expressifs et compacts à partir d'énormes quantités de données d'animation, des méthodes telles que le motion matching restent un choix populaire dans l'industrie du jeu vidéo en raison de leur flexibilité, de leur prévisibilité, de leur faible temps de prétraitement et de leur qualité visuelle - propriétés qui peuvent parfois être difficiles à obtenir avec des méthodes basées sur les réseaux neuronaux. Cependant, contrairement aux réseaux neuronaux, l'utilisation de la mémoire de telles méthodes augmente généralement de manière linéaire avec la quantité de données utilisées, entraînant un compromis constant entre la diversité d'animation pouvant être produite et les budgets de production réels. Dans ce travail, nous combinons les avantages des deux approches et, en décomposant l'algorithme de motion matching en étapes individuelles, nous montrons comment des alternatives apprises et évolutives peuvent être utilisées pour remplacer chaque opération. Notre modèle final n'a pas besoin de stocker les données d'animation ou les métadonnées d'appariement supplémentaires en mémoire, ce qui signifie qu'il est aussi scalable que les modèles génératifs existants. Dans le même temps, nous préservons le comportement du motion matching, en conservant la qualité, le contrôle et le temps d'itération rapide qui sont si importants dans l'industrie.

Lire l'article complet ici.

Auteurs

Daniel Holden (Ubisoft La Forge),
Oussama Kanoun (Ubisoft La Forge),
Maksym Perepichka (Concordia University),
Tiberiu Popa (Concordia University)