ML デフォーマを使用してターゲット モデルの複雑なデフォメーションをメッシュに転送する
ML デフォーマは、複雑なデフォメーション システムを読み込み、トレーニングと機械学習モデルの使用により、それらをより軽く、移植性の高い方法で表現し近似させるように学習します。
ML デフォーマは、ターゲット ジオメトリのさまざまなモーションを提供するアニメーション シーケンスから学習することで機能します。このアニメーション シーケンスは、モーション キャプチャ データ、既存のキーフレーム アニメーション、ML デフォーマ(ML Deformer)のポーズ生成(Pose Generation)機能と主要シェイプ(Principal Shapes)機能によるランダム化、または 3 つのすべての組み合わせで構成されます。このサンプル データは、各フレームのポーズに影響を与えるドライバ コントロールの値とともに、ML モデルをトレーニングするために使用されます。
トレーニングの結果、元のデフォメーションはより効率的に近似され、アニメート時の対話処理が向上し、群集シーンで使用する場合のレンダリングが高速になります。ML デフォーマと元の複雑なソース デフォーマを切り替え、アニメーション プロセスに近似を使用し、最終的なレンダリング中に複雑なデフォーマを使用して最適な結果を得ることができます。
コンテンツ ブラウザでの ML デフォーマ アニメーションのサンプル
- リグによっては、デルタ モード(Delta Mode)をサーフェス(Surface)に設定すると、アーティファクトが生成されたり、不正なジャギーが発生する場合があります。これは、サーフェス頂点フレームが一貫して計算されない場合に発生します(特定のポーズで頂点がオーバーラップしていることが多いため)。トレーニングセットから不正なポーズが削除されると、結果が改善される可能性があります。ただし、ML デフォーマは、トレーニング後もこのようなポーズでパフォーマンスが低下します。
- 多数のコントロールを対象にしてトレーニングを行うと、ML モデルはメッシュの無関係な部分で、コントロールと変形の間にある不正な関連付けを学習する傾向があります。一度にトリガされるコントロールの数が少ないポーズでトレーニングすると、この問題の解決に役立ちます。
基本的なワークフロー
- 変形するジオメトリに ML デフォーマを追加する
- デフォメーション スタック内のデフォーマの前に ML デフォーマを再配置し、近似します
- これらのデフォーマに基づいてターゲットを作成します。
手順については、「ML デフォーマを作成する」を参照してください。
また、ソース オブジェクトとターゲット オブジェクトを ML デフォーマと一緒に使用して、複雑なデフォメーションを近似することもできます。
- ML デフォーマを追加して、ソース オブジェクトに割り当てます。
- ドライバ コントロールを設定し、割り当てて、ポーズとそれに対応する複雑なデフォメーション/元のデフォメーションに影響を与えます。
- 既存のアニメーションを使用するか、ランダム ポーズを生成し、モデルが学習するためのトレーニング データとして書き出します。「ML デフォーマ(ML Deformer)のトレーニング データを書き出し(Export Training Data)ウィンドウ」を参照してください。
- トレーニング パラメータを設定し、モデルをトレーニングします。「ML デフォーマのトレーニング設定」を参照してください。
Ai 透過性
オートデスクは、信頼できる AI イノベーションに全力で取り組んでいます。詳細については、画像をクリックしてください。
手順については、「個別のターゲット ジオメトリを使用して ML デフォーマを作成する」を参照してください。