การจับข้อมูลดิบ ๆ นี้ไม่ได้ทําให้เกิดความยุ่งเหยิงขึ้นเลย เทคโนโลยีที่ใช้บันทึกการเคลื่อนไหวของมนุษย์ในการขับภาพดิจิทัล ได้กลายเป็นสิ่งที่จําเป็นในภาพยนตร์ เกมเกมเสมือน แต่ข้อมูลดิบที่ผลิตมานั้นไม่ยุ่งเหยิงเลย -- การรบกวนด้วยเสียงรบกวน, การรบกวน, การติดตามข้อผิดพลาด การทําความสะอาดและกระบวนการประมวลผลข้อมูลนั้นจําเป็นในการพยายามทํางานด้วยตนเองโดยปกติ

ปัญหา เรื่อง การ ทํา ความ สะอาด ข้อมูล ที่ จับ ได้

ข้อมูลการจับความเคลื่อนไหวแบบ Raw ห่างไกลจากความสมบูรณ์แบบ กล้องสามารถสูญเสียร่องรอยการส่งสัญญาณ

  • [FLT: 0]. ระบบบันทึกตําแหน่งของมัน นําไปสู่ช่องว่างในข้อมูล.
  • [FLT: 0] การสลับเครื่องหมาย: เมื่อเครื่องหมายไขว้ข้ามหรือใกล้เกินไป ระบบอาจสับสนเครื่องหมายหนึ่งสําหรับอีก ทําให้เกิดวัตถุที่ผิดปกติ
  • [FLT: 0] Noise and jister: การรบกวนทางไฟฟ้า, การหมุนของแสง หรือการสั่นสะเทือนที่ละเอียดอ่อน ทําให้เกิดเสียงความถี่สูง ที่ทําให้การเคลื่อนไหวดูเหมือนกระตุก
  • [FLT: 0] การเลื่อนตัวและการเจาะพื้นดิน โดยไม่ได้ทําความสะอาดอย่างระวัง เท้าของตัวละครอาจลื่นไถลบนพื้นผิวที่มองไม่เห็น หรือชกผ่านพื้น

การแก้ปัญหาเหล่านี้ตามธรรมเนียมแล้ว ต้องการการแก้ไขด้วยตนเองเฟรมต่อเฟรมโดยผู้แสดงความสามารถ การเพิ่มข้อมูลโมแคปที่มีคุณภาพสูงเพียงนาทีเดียว อาจต้องใช้ชั่วโมงเดียวในการล้างล้าง

วิธี ที่ AI เสริม การ ประมวล ข้อมูล

การ เรียน รู้ วิธี ที่ ต่าง ออก ไป โดย เฉพาะ วิธี การ ที่ เครื่อง ยนต์ ได้ รับ การ ฝึก อบรม มา โดย วิธี ใด วิธี หนึ่ง แทน ที่ จะ ใช้ กฎ ที่ มี รหัส เอง แบบ AI จะ เรียน รู้ จาก ข้อมูล ที่ ได้ จาก ข้อมูล ที่ ถูก ต้อง เกี่ยว กับ รูป แบบ การ เคลื่อน ไหว ที่ ถูก ต้อง แม่นยํา การ คาด เดา ค่า ที่ ไม่ ได้ มา โดย อัตโนมัติ ข้อ ได้ เปรียบ หลัก คือ ความ เร็ว และ ความ เร็ว: เมื่อ ฝึก มา แล้ว เอ ไอ สามารถ ทํา งาน หลาย ชั่วโมง โดย ทํา งาน ที่ ทํา ให้ ทีม มนุษย์ ทํา งาน ได้ สําเร็จ

เครื่องมือเรียนรู้อุปกรณ์ที่ใช้

มี การ นํา การ เรียน รู้ หลาย รุ่น ของ เครื่องจักร ไป ใช้ เพื่อ ทํา ความ สะอาด แบบ มอ แคป แต่ ละ ชั้น เหมาะ กับ ปัญหา นี้:

  • [FLT: 0] ) ผลงานเรียนรู้: รุ่นได้รับการฝึกบนเสียงรบกวนคู่ และข้อมูล “ความจิง" สะอาด โดยให้ข้อมูลเสียงรบกวน รุ่นนี้เรียนรู้ที่จะแสดงรุ่นแก้ไขการทํางานนี้ดีสําหรับงานเช่น การลดรอยหยักและการเติมช่องว่าง แต่ต้องปรับปรุงข้อมูลแบบปรับปรุงเพิ่มเติมรูปแบบการเคลื่อนไหวและรูปแบบความผิดพลาดต่าง ๆ
  • [FLT: 0] Unbuncult เรียนรู้: แบบจําลองเหล่านี้ค้นหาโครงสร้างในข้อมูลที่ไม่มีป้ายบอกค่า สําหรับโมแคป นักรหัสสามารถฝึกสร้างข้อมูลการเคลื่อนที่ที่สะอาดจากสัญญาณรบกวน โดยการเรียนรู้การส่งสัญญาณแบบบีบอัด อัลกอริทึมการตรวจสอบแบบอิริยาบถสามารถเพิ่มความเบี่ยงเบนความต่าง ๆ ที่มนุษย์อาจพลาดไปได้
  • [FLT: 0] การเรียนรู้: Neural Network พร้อมหลายชั้นที่เหนือกว่าการจําลองมิติสูง แรงผลักดันของมนุษย์แบบเชิงเส้น เครือข่ายประสาทของCNN) สามารถประมวลผลการต่อคู่กันเป็นรูปภาพชั่วคราว ในขณะที่การเปลี่ยนเครือข่ายประสาท (RNN) และแปลงโครงสร้างการรับข้อมูลความสอดคล้องระหว่างระบบ (RN) การปรับเปลี่ยนระบบของระบบของระบบนี้มักใช้สถาปัตยกรรมของรัฐที่พิจารณาใช้แทนขอบเขตการปรับเปลี่ยนโครงสร้างที่เพิ่มความต่อเนื่องด้วย ซึ่งจะรวมเข้ากับความบกพร่องหรือความต่าง ๆ

การ ทํา ความ สะอาด

ในการผลิต แบบ AI มักจะถูกนําไปใช้เป็นปลั๊กอินหรือบริการเมฆ ที่รวมเข้ากับเครื่องมืออุตสาหกรรมเช่น เครื่องผลิตโมเด็ค เครื่องผลิต, เครื่องเป่าลม, หรือเครื่องยนต์อเนกประสงค์

  1. นําเข้าข้อมูลดิบ (เช่น จาก Vickon, Offtitrack หรือระบบความยืดหยุ่น)
  2. ส่งข้อมูลผ่านรุ่น AI ที่ฝึกมาล่วงหน้า ที่ระบุกรอบเสีย, เติมเครื่องหมายเสีย, และเสียงเรียบ
  3. ตรวจจับและแก้ไขการเลื่อนเท้าหรือการเจาะดิน โดยใช้เงื่อนไขฟิสิกส์ที่แปลงสภาพ
  4. การล้างข้อมูลด้วยความมั่นใจต่อข้อ ทําให้ศิลปินสามารถทบทวนและปรับปรุงได้เฉพาะกรณีที่แย่ที่สุด

แนวทางนี้มนุษย์-เอไอ มั่นใจได้ว่า ปัญญาประดิษฐ์จะทําหน้าที่หลายอย่าง ในขณะที่ผู้เชี่ยวชาญของมนุษย์ มุ่งเน้นไปที่ความแตกต่างทางสร้างสรรค์ หรือกรณีที่หาได้ยาก

ประโยชน์จากข้อมูลการทําความสะอาด AI-Driven Moction

การรับค่า AI สําหรับประมวลผลแบบ mocap จะส่งค่ากลับมาเป็นค่าจับต้องได้ตลอดช่วงการผลิต:

  • [FLT: 0] ออมเวลา: สตูดิโอรายงานเวลาการทําความสะอาดลดเวลาลง 50-80% สําหรับวาระทั่วไป ตัวอย่างเช่น วาระงานการจับ 10 นาทีซึ่งก่อนหน้านี้ต้องทําการทําความสะอาด 20 ชั่วโมงใน 4 ชั่วโมงหรือน้อยกว่านั้น
  • [FLT: 0] คุณภาพที่ต่อเนื่อง: AI ใช้ตรรกะแก้ไขแบบเดียวกันตลอดทุกเฟรม กําจัดความแปรผันที่เกิดขึ้นเมื่อศิลปินที่แตกต่างกัน ทํางานในรูปแบบเดียวกัน
  • [FLT: 0]. ความเป็นไปได้: เมื่อการจับปริมาตรเติบโต -- ตัวอย่างเช่น ในเกมหลายเล่น บันทึกภาพเคลื่อนไหวที่พิเศษเป็นพันๆ ตัว -- AI สามารถประมวลผลชุดข้อมูลขนาดใหญ่ได้โดยไม่ต้องต้องการสัดส่วนที่เพิ่มขึ้นในคณะทํางาน
  • [FLT: 0] Accessulable for partsable for parts parts in-house: นักพัฒนาอิสระและบ้านแอนิเมชันขนาดเล็กที่ขาดการทําความสะอาดอย่างทุ่มเท สามารถเพิ่มข้อมูลโมแคปได้บริสุทธิ์ในบ้าน โดยบ่อยครั้งมีส่วนต่าง ๆ ของงบประมาณ
  • [FLT: 0] Enhanize falism: โดยการถอดตัวรบกวนและเปลี่ยนแปลงอย่างผิดปกติ เอไอช่วยรักษาความซับซ้อนของการเคลื่อนไหวของนักแสดง นํามาสู่ตัวละครแบบดิจิตอลที่คล้ายชีวิตมากขึ้น

เครื่องมือ AI ปัจจุบันและแพลตฟอร์มสําหรับทําความสะอาด Mocap

มีวิธีแก้ปัญหาทางพาณิชย์และโอเพนซอร์สหลายแบบเกิดขึ้น แต่ละวิธีใช้ AI แตกต่างกัน:

  • [FLT: 0]. เดพโมชั่น (Animatic 3 D):[FLT: 1) บริการ AI ที่ใช้เมฆผลิตได้โดยอัตโนมัติ, ผลิตภาพเคลื่อนไหวจากข้อมูลวิดีโอหรือป้ายสี ใช้เครือข่ายประสาทลึกเพื่อประมาณการเคลื่อนไหว 3 มิติและวัตถุที่สะอาด (FLT:2] Deepmoction เสนอตัวเลือกสําหรับทีมที่เข้าถึงได้โดยไม่ต้องมี AI.
  • [FLT: 0] โรโกะโกะ (SmartMock):[FLT: 1) ขณะที่โปรแกรมหลักคือ ซอคแวร์ไร้เครื่องหมาย ซอฟต์แวร์ของโรโคโกะ มีผลงานการทําความสะอาดชุดชุดชุดชุดชุดของ AI superition nets เครือข่ายประสาทนี้ลดสัญญาณบันทึกในเรียลไทม์ โรโกะ (FLT:3) กลายเป็นของโปรดในกลุ่มนักพัฒนาการรัก
  • [FLT: 0]. Plsk: เครื่องมือของเว็บเบราว์เซอร์แบบพื้นฐานที่ใช้ AI เพื่อทําความสะอาดการจับภาพการเคลื่อนไหวแบบวิดีโอ ซึ่งสามารถเติมส่วนที่ขาดหายไป และปรับข้อมูลฟุตคอนแทกต์โดยอัตโนมัติ. Plooks จัดทําไทล์ฟรี ทําให้ง่ายในการทดสอบ AI ทําความสะอาด.
  • [FLT: 0] INVIIIA Omniana Omniversity (Audio2 Faces) + [FI Broybody Lawing] [FLLT: 1) ในขณะที่ไม่ได้ทําความสะอาดอย่างเดียว แต่เป็นการประกอบแบบจําลอง AI ที่สามารถสร้างการเคลื่อนไหวที่สะอาดจากข้อมูลแบบย่อย และระบบของ Audio2GEI สามารถเป็นคู่เข้ากับโมดูลการทําความสะอาดได้ [FTIT: [FTIIDOL] INICUL[FT] ตําแหน่งตัวย่อ[FLLT] เป็นตําแหน่งตัวย่อสําหรับระบบย่อย AITI-III-IIIIII-TVATII
  • [FLT: 0]. สืบค้นเมื่อ 20 พฤษภาคม พ.ศ.

การ ชี้ นํา และ การ พิจารณา ใน อนาคต

บทบาท ของ เอ ไอ ใน การ ทํา ความ สะอาด แบบ โม แคป ยัง คง มี อยู่.

การขยายความทั่วไปข้ามประเภท movections

การ ออก แบบ แบบ ที่ ดี ที่ สุด ใน การ ควบคุม การ เคลื่อน ไหว ของ มนุษย์

ประมวลผลตามเวลาจริง

การผลิตหลาย ๆ อย่าง โดยเฉพาะในรายการสดและการผลิตเสมือน (สด) ต้องการการตอบรับจากระบบย่อยของระบบเอไอในอนาคต อาจจะทําให้การทําความสะอาดจริงได้ ทําให้ผู้แสดงสามารถดูการเคลื่อนไหวของพวกเขาที่สะอาดบนตัวอักษรเสมือนได้โดยไม่ต้องทําความล่าช้า ซึ่งต้องการเครือข่ายประสาทที่ทํางานอย่างดีบนอุปกรณ์ขอบหรือเซิร์ฟเวอร์ที่มีการเชื่อมต่อความจุต่ํา

การ เข้า ไป เกี่ยว ข้อง กับ ท่อ ส่ง น้ํา

การล้างข้อมูล ACI มีประโยชน์มากที่สุด เมื่อมันพอดีกับท่อส่งข้อมูลแอนิเมชันที่มีอยู่ เราคาดหวังการรวมเข้ากับเครื่องมือข้อมูลดิจิทัล (DC) ที่ AI ทํางานเป็นบริการเบื้องหลัง โดยทําการตรวจสอบข้อมูลโดยอัตโนมัติ นอกจากนี้ การทําการล้างแบบจําลองการล้างภาพในรูปแบบการสอนการสอนการสอน และความร่วมมือแบบ (เช่น Perfor หรือ Shotun) จะสามารถช่วยให้การจัดการสินทรัพย์มีประสิทธิภาพมากขึ้น

การ พิจารณา อย่าง จริงจัง และ ไว้ วางใจ

AI ดําเนินการมากกว่ากระบวนการทําความสะอาด สตูดิโอต้องพิจารณาว่า พวกเขาควบคุมได้มากขนาดไหน การยอมรับการยอมรับอย่างสบายใจ

รูปแบบการวน

ปัญญาประดิษฐ์ไม่ใช่การเพิ่มข้อมูลเชิงเทคนิคเข้าไปอีก ซึ่งเป็นการเพิ่มข้อมูลการเคลื่อนที่ของงานที่เคลื่อนไหวได้ -- เป็นเครื่องมือที่ใช้งานได้จริงและพร้อมผลิต ที่กําลังเปลี่ยนข้อมูลจากการทํางานอย่างมีประสิทธิภาพ