Conocimiento Bóveda 5 /70 - CVPR 2021
Modelando Interacción Física - Cómo Construir Subespacios Expresivos
Miguel Otaduy
< Imagen del Resumen >

Gráfico de Conceptos & Resumen usando Claude 3 Opus | Chat GPT4o | Llama 3:

graph LR classDef biomechanics fill:#f9d4d4, font-weight:bold, font-size:14px classDef subspaces fill:#d4f9d4, font-weight:bold, font-size:14px classDef learning fill:#d4d4f9, font-weight:bold, font-size:14px classDef deformation fill:#f9f9d4, font-weight:bold, font-size:14px classDef clothing fill:#f9d4f9, font-weight:bold, font-size:14px classDef skin fill:#d4f9f9, font-weight:bold, font-size:14px A["Modelando Interacción Física
- Cómo Construir
Subespacios Expresivos"] --> B["Simulando biomecánica, equilibrando
precisión, generalidad, eficiencia. 1"] A --> C["El aprendizaje automático mejora
las representaciones de subespacios. 2"] C --> D["Conectando métodos de aprendizaje
con subespacios basados en física. 3"] C --> E["Subespacios compactos no lineales,
evolucionando subespacios lineales. 4"] A --> F["Diseñando subespacios de deformación
expresivos. 5"] F --> G["Incluyendo interacciones de contacto
en el subespacio. 6"] F --> H["Derivando modelo de piel: posición,
forma, dinámica. 7"] H --> I["Muestras de forma limitadas,
desafíos de variabilidad entre sujetos. 8"] H --> J["Separando posición global, local
deformaciones de forma. 9"] H --> K["Dinámica plausible para
formas corporales arbitrarias. 10"] F --> L["Aprendiendo deformaciones geométricas
aprovechando subespacio. 11"] F --> M["Considerando contacto
al aprender deformaciones. 12"] A --> N["Aprendizaje para eficiente
prueba virtual de ropa. 13"] N --> O["Desafíos: prendas sueltas,
colisiones, post-procesamiento. 14"] N --> P["Espacio canónico de prendas,
cuerpo constante. 15"] P --> Q["Desposicionando, deformando prenda
usando modelo difuso. 16"] P --> R["Pesos de skinning variables
evitan colisiones prenda-cuerpo. 17"] P --> S["Optimizando autoencoder variacional
para prendas sin colisiones. 18"] N --> T["Tiempo de ejecución: regresor canónico, espacio completo
levantamiento, blendshapes, skinning. 19"] A --> U["Revisando simulación de piel
con física. 20"] U --> V["Reteniendo precisión de posición,
dinámica con modelo basado en datos. 21"] U --> W["Componentes: esqueleto parametrizado,
piel física, manejadores de subespacio. 22"] W --> X["Creando esqueleto interno,
capa de piel de grosor variable. 23"] W --> Y["Modificando gradiente, insensible
al modelo de posición. 24"] W --> Z["Subespacio basado en manejadores respetando
esqueleto, precisión de piel. 25"] Z --> AA["Comparando subespacio basado en manejadores
con subespacio PCA. 26"] U --> AB["Aplicaciones: simulación de manos,
seguimiento. 27"] U --> AC["Incorporando información de contacto
en subespacio basado en física. 28"] AC --> AD["Modelo agregado: manejadores lineales
más corrección no lineal. 29"] AC --> AE["Aprendizaje separado de correcciones internas,
externas. 30"] class A,B biomechanics class C,D,E,AA subspaces class F,G,H,I,J,K,L,M deformation class N,O,P,Q,R,S,T clothing class U,V,W,X,Y,Z,AB,AC,AD,AE skin class C,D,L,M,S,V,AD,AE learning

Resumen:

1.- Simulando biomecánica e interacciones con objetos, equilibrando precisión, generalidad y eficiencia.

2.- Explorando si el aprendizaje automático puede mejorar las representaciones de subespacios expresivos sin penalización de rendimiento.

3.- Conectando métodos de aprendizaje automático con subespacios de simulación basados en física.

4.- Encontrando subespacios no lineales compactos (Fulton) y subespacios lineales en evolución debido al contacto y dinámica (Holden).

5.- Diseñando subespacios de deformación expresivos - geométricos (rápidos) y basados en física (generales).

6.- Incluyendo interacciones de contacto en la formulación de subespacios.

7.- Derivando modelo de deformación de piel considerando posición corporal, forma y dinámica.

8.- Desafíos en el aprendizaje a partir de muestras de forma limitadas debido a la variabilidad de posición entre sujetos.

9.- Separando deformaciones de posición y forma globales y locales en una arquitectura de red.

10.- Logrando dinámicas plausibles para formas corporales arbitrarias, demostrando generalización de subespacios.

11.- Aprendiendo deformaciones geométricas aprovechando la representación de subespacios.

12.- Considerando el contacto al aprender deformaciones.

13.- Aprendizaje automático para prueba virtual eficiente de ropa ajustada.

14.- Desafíos en prendas sueltas - colisiones y post-procesamiento.

15.- Espacio canónico de prendas para trabajar con cuerpo constante.

16.- Desposicionando y deformando prendas usando modelo humano difuso.

17.- Pesos de skinning variables del modelo difuso para evitar colisiones prenda-cuerpo.

18.- Optimizando autoencoder variacional para subespacio generativo sin colisiones de prendas.

19.- Canal de ejecución: regresor de subespacio canónico, elevación de espacio completo, blendshapes de posición/forma, skinning.

20.- Revisando simulación de piel con física para manejar interacciones externas.

21.- Reteniendo precisión de posición y deformación dinámica extendiendo modelo basado en datos.

22.- Componentes: esqueleto parametrizado, piel basada en física, manejadores de subespacio.

23.- Creando esqueleto interno y capa de piel de grosor variable desde la superficie corporal.

24.- Modificando gradiente de deformación para hacer modelo físico insensible al modelo de posición.

25.- Subespacio basado en manejadores respetando estructura esquelética y precisión de superficie de piel.

26.- Comparando subespacio basado en manejadores con subespacio PCA - soporte local, mejor generalización de contacto.

27.- Aplicaciones en simulación de manos y seguimiento.

28.- Incorporando información de contacto en subespacio de simulación basado en física.

29.- Modelo no lineal agregado: subespacio de manejadores lineales más corrección no lineal aprendida.

30.- Aprendizaje separado de correcciones internas y externas para simplificar y mejorar precisión.

Bóveda de Conocimiento construida por David Vivancos 2024