---

• 骨架感知网络
• https://deepmotionediting.github.io/retargeting (opens new window)
• 一种跨结构运动重定向的端到端方法
• 2025-12-26 15:52

---

概览视频

摘要与方法

我们引入了一种新颖的深度学习框架，用于骨骼之间数据驱动的运动重定向，该框架可能具有不同的结构，但对应于同胚图。重要的是，我们的方法学习如何重新定位，而不需要训练集中的运动之间进行任何显式配对。我们利用这样一个事实，即不同的同胚骨架可以通过一系列边缘合并操作简化为共同的原始骨架，我们将其称为骨架池。

我们的主要技术贡献是引入了新颖的可微卷积、池化和反池化算子，它们是骨架感知的，这意味着它们明确地考虑了骨架的层次结构和关节邻接。

我们的算子构成了新的深度运动处理框架的构建块，该框架将运动嵌入到由同胚骨架集合共享的公共潜在空间中。因此，可以简单地通过对该潜在空间进行编码和解码来实现重定向。

跨结构运动重定向

我们的方法可以将运动重新定位到不对称角色或缺少/额外骨骼的角色：

输入 重定向输出

输入 重定向输出

结构内重定向 - 比较

我们的框架还可以用于具有相同结构但不同比例的骨架的重定向。在这里，我们的方法与 CycleGAN 的简单改编进行了比较 [Zhu 等人。 2017] 到 Villegas 等人的运动域和 NKN。 [2018]。输出与真实情况（绿色骨架）重叠：

输入 CycleGAN 2016（改编） NKN 2018 我们的

跨结构重定向 - 比较

我们的方法与 CycleGAN 的简单改编进行了比较 [Zhu 等人。 2017] 到运动域和 Villegas 等人的 NKN 的跨结构版本。 [2018]。输出与真实情况（绿色骨架）重叠：

输入

[CycleGAN 2016]（改编）

[NKN 2018]（改编）

我们的

书目词典

@article{aberman2020skeleton,
  author = {Aberman, Kfir and Li, Peizhuo and Lischinski, Dani and Sorkine-Hornung, Olga and Cohen-Or, Daniel and Chen, Baoquan},
  title = {Skeleton-Aware Networks for Deep Motion Retargeting},
  journal = {ACM Transactions on Graphics (TOG)},
  volume = {39},
  number = {4},
  pages = {62},
  year = {2020},
  publisher = {ACM}
}