Cepheid: 스케일과 구조를 분리하여 다양한 계열의 모션 완료를 수행하다

희소(Sparse)에서 밀집(dense)으로의 모션 완료는 희소한 정점 변위로부터 밀집된 메쉬 모션을 복구합니다. 하나의 기하학적 계열(geometry family)에서 학습된 잔여 사전 지식(Residual priors)은 다른 계열에 대한 매개변수 없는 조화 확장(parameter-free harmonic extension)을 능가하는 경우가 빈번하게 실패합니다. 더욱이, 계열 간 훈련은 스케일링 장벽(scaling barrier)에 부딪힙니다: 잔여 진폭(residual amplitude)은 기하학적 계열 전반에 걸쳐 한 자릿수 이상으로 변동하며 관측치가 더 밀집됨에 따라 붕괴합니다. 이 스케일은 알려지지 않은 목표 모션에 의존하기 때문에 테스트 시점에 직접 측정할 수 없습니다. 우리는 무차원 사전 지식(dimensionless prior)을 학습하여 잔여 구조를 물리적 스케일로부터 분리하고, 관측치와 훈련 소스에서만 적합된 가벼운 보정 계수(lightweight correction)를 통해 진폭을 추정합니다. 우리의 통합 모델은 골격(skeletons), 등록(registration), 또는 크로스-메쉬 대응(cross-mesh correspondence) 없이도, 볼 수 없는 천(cloth)과 다리 달린 몸체(legged bodies)를 포함하여 평가된 모든 계열에서 조화 확장을 능가합니다. 동일한 사전 지식은 재훈련 없이 점 추적 동물 비디오와 부드러운 물체를 잡는 로봇에도 적용됩니다. 프로젝트 페이지: https://su-terry.github.io/cepheid-website/