[发明专利]一种基于深度学习的数字人布料实时解算方法

说明书

本发明提供一种基于深度学习的数字人布料实时解算方法，包括以下步骤：S1：训练神经网络，训练自动编码器和全连接网络将骨骼信息映射到布料网格顶点的编码；S2：在训练完上述两个神经网络后，给定一组输入骨骼信息，首先经过全连接网络，得到布料网格顶点的编码，再经过自动编码器中的解码环节，得到输出布料网格顶点，该输出即为布料的解算结果。本发明实时计算出布料的网格顶点信息，有效避免人物模型与布料模型穿插的问题，进一步提高布料制作效率。

技术领域

本发明属于动画制作技术领域，具体涉及一种基于深度学习的数字人布料实时解算方法。

背景技术

在目前的影视动画制作流程中，衣物布料的动画数据是通过建立数学物理模型模拟布料在真实场景中的动做解算出最终效果，即布料网格顶点在每一帧的三维坐标数值。建模仿真意味着计算出每一帧的网格顶点的三维坐标都要耗费大量的资源，因此目前数字人布料普遍采用离线解算的方式，即事先根据人物骨骼动画解算出每一帧布料的网格顶点信息，写入缓存，在需要使用时再调出；

由于建模仿真的解算过程的性质决定，布料的具体大小形状必须根据人物模型的改动做出相应的改动，不然会导致出现布料与人物模型穿插的现象，还需要人工手动精修。

当布料动画解算完毕后，如果后期人物骨骼动画被修改，那么其对应的布料动画需要重新计算，生成新的缓存，布料制作效率低。

发明内容

本发明的目的是提供一种基于深度学习的数字人布料实时解算方法，实时计算出布料的网格顶点信息，有效避免人物模型与布料模型穿插的问题，进一步提高布料制作效率；

本发明提供了如下的技术方案：

一种基于深度学习的数字人布料实时解算方法，包括以下步骤：

S1：训练神经网络，包括以下步骤：

S101：先用一个自动编码器来编码布料的网格顶点的三维坐标，该自动编码器网络先将高维度的网格顶点的三维坐标编码成一组低维度的隐式变量，再将低维度的隐式变量解码还原成高维度的网格顶点的三维坐标，其中低维度的隐式变量即为自动编码器对高维度的网格顶点的编码，训练时，通过第一最小化损失函数

让神经网络在解码后的输出应当与编码前的输入趋于相同；

S102：在训练完S101中的自动编码器之后，用隐式变量代替布料的网格顶点，之后再用全连接网络将骨骼信息映射到布料网格顶点的编码，在训练时，给定一组数据对，通过第二最小化损失函数

其中，，，

让骨骼信息经过全连接网络后的输出与布料网格顶点所对应的编码趋于相同；

S2：在训练完上述S101和S102两个神经网络后，给定一组输入骨骼信息，首先经过S102中的全连接网络，得到布料网格顶点的编码，再经过S101中的解码环节，得到输出布料网格顶点，该输出即为布料的解算结果；

优选的，所述自动编码器包括编码过程和解码过程，所述编码过程由若干层神经网络组成，将高维度的输入数据映射到低维度的隐式变量，实现降维或数据压缩的功能；所述解码过程也由若干层神经网络组成，将低维度的隐式变量映射到高维度的重构，且重构应当与输入数据趋于相同，实现增维或数据重构的功能；

优选的，全连接神经网络由若干全连接层构成，每一层都是由输入到输出的非线性映射：

其中，

是第层的权重，是第层的偏差，是第层的输入，是第层的输出，同时也第层的输入，是第层的非线性函数；

每一层的权重和偏差均为可训练的变量，通过最小化损失函数来更新其值；