[发明专利]一种基于神经网络的面部动画绑定加速方法

说明书

本发明提供一种基于神经网络的面部动画绑定加速方法，包括以下步骤：S1.训练数据生成，以原始绑定文件中的基本面部表情库为基础随机生成训练数据；S2.神经网络搭建，神经网络包括多层依次连接的全连接层和PCA层，PCA层用于计算训练数据的主成分值，得到多个混合变形器，多个全连接层输入为控制器的值，输出为多个混合变形器的系数组成的多维向量；S3.训练网络模型，用于通过建立回归任务，得到损失最小化时的神经网络模型；S4.通过动画软件编写插件，将所述插件与原始绑定文件中的控制器相结合，并利用训练好的网络模型，组合形成新的绑定文件。本发明模拟逼近控制器驱动的面部Mesh变形，代替原始复杂的绑定方法。

技术领域

本发明属于动画绑定技术领域，具体涉及一种基于神经网络的面部动画绑定加速方法。

背景技术

在高保真度数字电影制作过程中，为了生成表情逼真的角色面部动画，绑定艺术家通常会为角色头部制作极其复杂的绑定控件以及修形变形器。

现有技术中，复杂的绑定控件直接导致绑定解算节点图庞大复杂，场景过重，使得软件交互速度大幅下降，同时影响后续动画制作环节的效率。事实上，绑定环节造成的速度下降一直是动画制作流程中的一个顽固痛点。每个动画制作公司都尝试使用各种传统方法来加速绑定解算过程，但由于DCC软件自身架构的限制，这些尝试并没有实现较为显著的突破。动画领域中常采用深度学习来进行面部表情生成等操作，如专利公开号为CN112200894A的专利公开了一种基于深度学习框架的数字人面部表情动画自动迁移方法，运用训练好的深度学习模型进行表情迁移，一个数字人的控制器参数值输入网络模型，得到另一个数字人相同表情对应的控制器参数值，将生成的控制器参数值应用到该数字人模型中，从而驱动该数字人模型上的网络3D空间顶点位置。通过自动迁移代替人工操作，极大地提高虚拟人物动画生产效率。上述专利仅适用于表情迁移，即解决retargeting的问题，但在动画rigger领域中仍未有加速绑定的突出改进。

发明内容

本发明的目的是提供一种基于神经网络的面部动画绑定加速方法，模拟逼近控制器驱动的面部Mesh变形，代替原始复杂的绑定方法。

本发明提供了如下的技术方案：

本申请提出一种基于神经网络的面部动画绑定加速方法，包括以下步骤：

S1.训练数据生成，以原始绑定文件中的基本面部表情库为基础随机生成训练数据，训练数据包括多组控制器的值和与之对应的Mesh顶点的值；

S2.神经网络搭建，神经网络包括多层依次连接的全连接层和PCA层，PCA层用于计算训练数据的主成分值，得到多个混合变形器，多个全连接层输入为控制器的值，输出为多个混合变形器的系数组成的多维向量；

S3.训练网络模型，用于通过建立回归任务，采用代价函数进行误差计算，得到损失最小化时的神经网络模型，所述代价函数采用均方误差；

S4.通过动画软件编写插件，将所述插件与原始绑定文件中的控制器相结合，并利用训练好的网络模型，组合形成新的绑定文件。

优先地，步骤S1中，训练数据生成方法具体包括以下步骤：

S11.以基本面部表情库为基础，获取面部控制器列表；

S12.获取各个控制器的值和取值范围；

S13.在控制器的取值范围内，随机改变k个控制器的值并重复n次，生成n组新的控制器组合；

S14.令k = k + 1，n = n - i，重复步骤S13，直至k与控制器的数量相等；

S15.随机改变后生成的所有控制器组合导入动画软件中，并获取对应的Mesh顶点坐标，即每组控制器的值和Mesh顶点的值一一对应；

其中，k、n和i均为大于0的整数。