클러스터 전이 그래프를 활용한 길이 가변 신경 모션 스티칭

모션 스티칭(Motion stitching)은 기존의 모션 시퀀스들을 매끄럽게 결합하여 새로운 캐릭터 애니메이션을 만드는 것을 목표로 합니다. 기존 접근 방식들은 종종 전환 범위(transition range)를 수동으로 선택하거나 고정된 전환 길이를 가정해야 했기 때문에, 연결할 수 있는 모션의 유형에 제약이 있었습니다. 합성될 수 있는 모션의 다양성을 넓히려면, 입력되는 모션들이 크게 다를 때 캐릭터가 포즈를 적응할 충분한 시간을 확보할 수 있도록 길이 가변적인(varying lengths) 전환을 생성하는 것이 필수적입니다. 이를 위해, 우리는 클러스터 전이 그래프(cluster transition graph) 기반의 길이 가변 신경 모션 스티칭 방법을 제안하며, 이 방법은 두 개의 서로 다른 입력 모션을 받아 자연스럽게 연결된 모션 시퀀스를 생성합니다. 우리의 프레임워크는 세 단계로 구성됩니다: 모션 클러스터링(motion clustering), 클러스터 경로 탐색(cluster pathfinding), 그리고 모션 생성(motion generation)입니다. 첫째, 모션 클러스터링은 입력 모션을 이산적인(discrete) 클러스터에 매핑합니다. 다음으로, 우리는 클러스터 전이 그래프에서 해당되는 클러스터를 식별하고 연결 경로를 탐색합니다. 이 그래프에서 노드(nodes)는 모션 클러스터를 나타내고, 방향성 엣지(directed edges)는 그들 사이의 유효한 전환을 나타냅니다. 결과로 얻은 경로는 전환 길이와 모션 생성에 정보를 제공하는 가이드 시퀀스(guide sequence)를 모두 결정합니다. 마지막으로, 이 경로와 입력 모션들은 트랜스포머 인코더 기반의 모션 제너레이터(motion generator)에 제공되어 최종 전환 포즈를 생성합니다. 실험 결과는 우리의 방법이 모션 길이를 적응적으로 조정하며, 기어오르기(crawling), 농구 슛(basketball shooting), 느린 이동(slow locomotion)과 같은 서로 다른 모션들 사이에서 그럴듯한 전환을 성공적으로 생성함을 입증합니다. 또한, 우리는 그래프 구조를 사용하면 고정된 전환 길이를 가정하거나 시간을 직접 계산하는 방법들에 비해 효과적으로 전환 지속 시간을 추정하고 높은 충실도의 결과를 산출함을 보여줍니다.