[논문]리깅 공간으로의 몸체 동작 리타겟팅

송재원; 노준용

doi:10.15701/kcgs.2014.20.3.9

리깅 공간으로의 몸체 동작 리타겟팅
Body Motion Retargeting to Rig-space 원문보기

컴퓨터그래픽스학회논문지 = Journal of the Korea Computer Graphics Society, v.20 no.3, 2014년, pp.9 - 17

초록
AI-Helper

본 논문에서는 대상이 되는 디지털 캐릭터가 기존 애니메이션 파이프라인에서 사용되는 수준의 복잡한 리깅을 가졌더라도, 해당 리깅의 리깅 공간(Rig-space)에 모션을 리타겟팅 할 수 있는 안정적이고 새로운 리타게팅 방법을 활용한다. 이를 위하여 다양하고 복잡한 방식으로 리깅된 서로 다른 캐릭터의 리깅 공간과 캐릭터 관절값 공간(Joint Parameter Space)간의 상관관계를 분석하고, 원본 모션을 최대한 보존하면서 효율적으로 리타게팅을 수행할 수 있는 비선형적 최적화 기법을 제안한다. 이로 인하여 애니메이터는 모션 캡쳐 등으로 얻어진 원본 모션을 수정할 때, 기존의 키프레이밍 작업과 동일한 리깅 파라미터를 사용할 수 있게 되어 직관적이면서도 빠르고 쉽게 모션을 수정할 수 있게 된다. 이 과정에서 애니메이터가 선호하는 작업 방식을 관찰한 후, 해당 과정을 최적화 과정에 반영함으로써 애니메이터가 수정하기에 매우 용이한 형태의 리타겟팅 결과물을 만들어 낼 수 있다.

Abstract ▼ AI-Helper

This paper presents a method to retarget a source motion to the rig-space parameter for a target character that can be equipped with a complex rig structure as used in traditional animation pipelines. Our solution allows the animators to edit the retargeted motion easily and intuitively as they can work with the same rig parameters that have been used for keyframe animation. To acheive this, we analyze the correspondence between the source motion space and the target rig-space, followed by performing non-linear optimization for the motion retargeting to target rig-space. We observed the general workflow practiced by animators and apply this process to the optimization step.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

일반적으로 모션 리타겟팅은 원본 캐릭터의 관절값 공간에서 대상 캐릭터의 관절값 공간으로 이루어진다. 반면, 우리의 연구에서는 최종적으로 모션 리타겟팅을 관절값이 아닌 대상 캐릭터의 리그가 가지고 있는 다양한 파라미터에 옮겨주고자 한다. 캐릭터 리그 파라미터란 애니메이터가 직접 다루게 되는 값들을 말하며, 이 값들의 집합을 우리는 리깅 공간 파라미터(Rig-space Parameter)로 정의한다.
본 논문에서는 원본 모션을 실제 프로덕션에서 사용하는 수준의 복잡하고 다양한 캐릭터 리그에 리타겟팅 함으로써, 애니메이터가 모션을 수정하거나 재사용하는 데 기존의 친숙한 리그 파라미터를 그대로 활용할 수 있는 방법에 대하여 연구하였다. 이를 통하여 기존의 키프레이밍 애니메이션을 제작하는 파이프라인 그대로 모션 캡쳐 데이터를 활용할 수 있게 함으로써, 애니메이터의 작업 효율을 높여 전체적인 작업 시간을 단축시킬 수 있게 되었다.
본 논문에서는 캐릭터 리그 방식에 상관없이 관절값 공간 파라미터로부터 리깅 공간 파라미터를 계산할 수 있도록, 이 문제를 데이터 최적화 문제로 정의하였다. 이 최적화 문제에서 목적함수를 간략하게 표현하면 다음과 같다.
애니메이터가 활용하기 편리하도록 캐릭터 리그 파라미터의 값을 최적화하는 연구가 Hahn 을 통해서 제안되었지만[11][12], 해당 연구는 물리 시뮬레이션 결과를 기반으로 캐릭터 몸체 변형을 담당하는 리그 파라미터를 최적화하는 연구로서 캐릭터의 모션과 관절 공간값을 최적화시키는 본 연구와는 차이가 있다. 본 연구는, 원본 모션과의 오류값을 최소화하는 대상 캐릭터의 캐릭터 리그 파라미터를 찾아내는 비선형 최적화를 수행하였다. 이 때, 최적화된 결과물이 실제로 애니메이터가 선호하고 편집하기 편리한 방향으로 수렴하도록, 애니메이터의 키프레이밍 작업을 관찰한 결과를 최적화 알고리즘에 포함시켰다.
이 연구는 모션 리타겟팅을 기존의 대상이 되었던 캐릭터의 관절 구조가 아닌, 애니메이터가 작업하기 쉽고 편리한 리깅 공간 파라미터에 수행하도록 하는 새로운 방식을 제안한다. 이로 인하여 애니메이터는 기존에 키프레이밍 애니메이션 작업을 하던 캐릭터 리그를 그대로 사용하여 모션 캡쳐 애니메이션을 수정할 수 있으며, 결과적으로 모션 캡쳐 데이터를 편집하는 과정에서의 작업 능률이 크게 향상되었다.
이러한 오프라인 방식의 모션 리타겟팅을 수행한 이유는, 이 연구의 목적이 실시간 어플리케이션이 아닌 오프라인에서 수행되는 모션 편집에 있으므로, 매 시간마다가 아닌 모션 데이터 단위로 최적화 연산을 수행함으로써 좀더 정확한 모션 리타겟팅을 가능하게 하기 위해서이다. 이렇게 리타겟팅을 수행하여 얻어진 대상 캐릭터의 관절값을 만족시키는 리깅 공간 파라미터를 최적화하는 것이 이 연구의 목표라고 할 수 있다.
이러한 오프라인 방식의 모션 리타겟팅을 수행한 이유는, 이 연구의 목적이 실시간 어플리케이션이 아닌 오프라인에서 수행되는 모션 편집에 있으므로, 매 시간마다가 아닌 모션 데이터 단위로 최적화 연산을 수행함으로써 좀더 정확한 모션 리타겟팅을 가능하게 하기 위해서이다. 이렇게 리타겟팅을 수행하여 얻어진 대상 캐릭터의 관절값을 만족시키는 리깅 공간 파라미터를 최적화하는 것이 이 연구의 목표라고 할 수 있다.

가설 설정

그룹화의 기본적인 가정은 모든 리그 파라미터가 모든 관절에 관여하지는 않는다는 것이다. 발목 관절을 움직이는 리그 파라미터는 손목 관절에는 아무런 영향을 미치지 않을 가능성이 높다.

제안 방법

여기에서 좀더 가중치가 높은 c를 먼저 최적화하기 위하여, 각각의 c가 관여하고 있는 관절의 갯수를 측정한다. 그 이후, 가장 많은 관절을 움직이고 있는 리그 파라미터 c부터 우선적으로 최적화하도록 함으로써, 애니메이터가 작업하는 방식에 가깝게 최적화가 이루어질 수 있도록 계산하였다. 그림 5는 이러한 과정을 간략하게 보여주고 있다.
이를 위하여, 2족 보행 캐릭터의 경우 그림 3과 같이 크게 6개의 그룹을 정의하였다. 기본적으로 관절의 분절(Branch) 를 기준으로 신체의 팔, 다리를 따로 최적화하고, 손과 발의 경우 상대적으로 복잡한 리깅을 설치하는 경우가 많으므로 따로 최적화를 수행하도록 하였다. 이러한 기준은 반복된 실험과 결과물 측정에 의한 경험적인 성격이 강하나, 일반적인 2족 보행 캐릭터의 리깅 과정을 고려하고, 각 신체부위의 관절들이 구동하는 동작 원리를 고려하였을 때 최적화 알고리즘이 좀더 쉽게 수렴할 수 있도록 하는 합리적인 분류라고 할 수 있다.
본 연구의 전체적인 개요도는 그림 2와 같이 설명할 수 있다. 모션 캡쳐된 원본 모션이 주어졌을 때 이 모션을 대상 캐릭터의 리깅 공간에 리타겟팅 하기 위하여 먼저 대상 캐릭터의 관절값 공간에 리타겟팅을 수행하고, 이 대상 캐릭터의 관절값을 만족시키는 대상 캐릭터의 리깅 공간값을 비선형 최적화를 통하여 얻어낸다.
숙련된 애니메이터에게 리타겟팅된 신체 모션을 주고, 일정한 목표를 부여하여 애니메이션을 수정하는 데 기존의 리타겟팅 방식대로 관절값에 데이터가 있을 때 이것을 직접적으로 수정하는 방식과, 본 연구의 결과물로 얻어진 애니메이터에게 친숙한 리깅 공간의 파라미터를 사용하는 방식을 테스트하였다. 표 2는 그 결과를 나타내 준다.
, c_n} 를 얻을 수 있다. 여기에서 좀더 가중치가 높은 c를 먼저 최적화하기 위하여, 각각의 c가 관여하고 있는 관절의 갯수를 측정한다. 그 이후, 가장 많은 관절을 움직이고 있는 리그 파라미터 c부터 우선적으로 최적화하도록 함으로써, 애니메이터가 작업하는 방식에 가깝게 최적화가 이루어질 수 있도록 계산하였다.
사이의 오차를 비교한다. 이 때, 관절값은 N개의 관절이 있을 때 N개의 4x4 변환행렬(Transformation Matrix)로 표현함으로써, 관절의 이동값과 회전값을 모두 비교할 수 있도록 하였다. 이 관절값 에러를 계산하기 위하여 다음과 같은 수식을 활용하는데,
본 연구는, 원본 모션과의 오류값을 최소화하는 대상 캐릭터의 캐릭터 리그 파라미터를 찾아내는 비선형 최적화를 수행하였다. 이 때, 최적화된 결과물이 실제로 애니메이터가 선호하고 편집하기 편리한 방향으로 수렴하도록, 애니메이터의 키프레이밍 작업을 관찰한 결과를 최적화 알고리즘에 포함시켰다. 또, 신체 각 부위별로 적절한 그룹화를 시킨 다음 개별적으로 최적화를 수행함으로써 정확도와 효율성을 높였다.
이러한 애니메이터의 작업 방식에 근거하여, 하나의 관절 파라미터에 관여하는 두 개 이상의 리깅 파라미터가 존재할 때, 관절 공간을 상대적으로 크게 변화시키는 리깅 파라미터를 우선적으로 최적화 하도록 한다. 식 4 의 함수 G 를 통하여 특정한 관절 j에 관여하는 리그 파라미터의 집합 {c₁, c₂, .
이 경우, 어떤 것이 더 나은 최적화 결과물인지 판단할 수 있어야 한다. 이를 위하여, 애니메이터의 작업 방식을 관찰한 이후, 그 결과를 최적화 과정에 반영하여 애니메이터가 선호하는 결과물을 제공할 수 있도록 하였다.

대상 데이터

실험에 사용하는 모션은 후보정 작업을 거친 모션 캡쳐 데이터를 사용하였다. 대상 캐릭터가 어떻게 리깅되었는지를 모른다는 가정 하에, 입력으로 주어지는 데이터는 원본 모션과 대상 캐릭터의 리깅 공간 파라미터의 리스트만 주어지면 다른 과정은 자동적으로 수행된다.

이론/모형

손가락과 같은 복잡한 리그가 없어서 관절의 갯수는 66개, 리그 파라미터의 갯수는 50개이다. 비선형 최적화를 위해 NLOPT 라이브러리의 BOBYQA subroutine 알고리즘을 사용하였다. 가장 첫 프레임을 최적화하는 데에는 약 45초 정도가 소모되었고, 그 이후 프레임은 20여초 정도가 소모되었다.
관절의 갯수는 54개, 리그 파라미터의 갯수는 53개이다. 비선형 최적화를 위해 NLOPT 라이브러리의 BOBYQA subroutine[14] 알고리즘을 사용하였다. 100프레임 길이의 애니메이션을 리타겟팅 하는데, 가장 첫 프레임을 최적화하는 데에는 15초 정도가 소모되었고, 그 이후 프레임은 4에서 5초 정도가 소모되었다.
40GHz, 8GB RAM 환경에서 진행되었다. 최적화 과정에서 사용한 알고리즘은 잘 알려진 비선형 최적화 라이브러리인 NLOPT[13] 의 구간도함수 비종속 최적화(Local derivative-free optimization) 방식을 사용하였다.
정기구학, 역기구학, 사용자 지정 파라미터 등 다양한 리깅 기법이 적용되어 있는 예제이다. 최적화를 위해 NLOPT 라이브러리의 NELDERMEAD[15] 알고리즘을 사용하였다. 가장 첫 프레임을 최적화하는 데에는 약 120초 정도가 소모되었고, 그 이후 프레임은 30초에서 60초 정도가 소모되었다.

성능/효과

비선형 최적화를 위해 NLOPT 라이브러리의 BOBYQA subroutine[14] 알고리즘을 사용하였다. 100프레임 길이의 애니메이션을 리타겟팅 하는데, 가장 첫 프레임을 최적화하는 데에는 15초 정도가 소모되었고, 그 이후 프레임은 4에서 5초 정도가 소모되었다. 이후의 예제에서도 마찬가지이지만, 애니메이션의 경우 한 프레임에서 다음 프레임까지 파라미터의 변화가 크지 않으므로, 첫 프레임에서 최적화에 가장 많은 시간이 소모되고 그 이후에는 상대적으로 빠르게 최적화 연산이 수렴하는 것을 확인할 수 있었다.
5년 이상의 경력을 가진 숙련된 전문 애니메이터의 작업 과정을 관찰한 결과, 애니메이터들은 좀더 큰 자세를 만드는 리깅 파라미터들을 우선적으로 활용하고, 그 이후에 좀 더 작고 디테일한 자세를 만드는 리깅 파라미터들을 활용하는 순차적인 방식으로 작업한다는 사실을 알게 되었다. 예를 들어, 그림 4와 같은 자세를 제작할 때, Grab 이라는 하나의 파라미터를 사용하는 왼쪽의 방식을 다수의 FK 파라미터를 사용하는 오른쪽의 방식보다 선호하였다.
최적화를 위해 NLOPT 라이브러리의 NELDERMEAD[15] 알고리즘을 사용하였다. 가장 첫 프레임을 최적화하는 데에는 약 120초 정도가 소모되었고, 그 이후 프레임은 30초에서 60초 정도가 소모되었다.
각 항의 계수인 α, β 그리고 γ 는 각각 1.0, 10.0, 1.0을 사용하여서 실험적으로 가장 좋은 결과를 얻어낼 수 있었다.
그림 6은 손의 모션을 리깅 공간 파라미터에 리타겟팅한 결과인데, 그림 6-좌 는 모든 관절에 대해서 동일한 가중치를 주었을 때 의도치 않은 방식으로 오차를 최소화해서 최적화 연산을 수행하여서 나타난 현상이다. 그러므로 관절간 오차를 계산할 때 골격 구조에 있어서 보다 상위에 있는 관절에 더 높은 가중치를 주어서, 상위에 있는 관절부터 더욱 정확한 값을 찾아내도록 최적화를 수행하는 것이 6-우 와 같이 훨씬 향상된 결과를 가져올 수 있었다. 이를 위하여 식 6을 다음과 같이 다시 쓰면
그림 7의 애니메이션 그래프는 이러한 사례를 보여주고 있는데, 그림과 같이 관절의 회전값을 담당하는 리그 파라미터의 경우 동일한 관절값을 만들어내는 여러 개의 리그 파라미터가 존재할 수 있어서 이러한 상황이 발생하였다. 따라서, 최적화 연산을 수행할 때 바로 직전 프레임의 리그 파라미터와 너무 동떨어진 값이 나오지 않도록, 시간 제약항을 추가함으로써 모션 그래프가 순간적으로 튀는 현상을 해소하였다. 이 시간축 제약을 목적함수에 E_time이라는 항으로 표현하면
이 때, 최적화된 결과물이 실제로 애니메이터가 선호하고 편집하기 편리한 방향으로 수렴하도록, 애니메이터의 키프레이밍 작업을 관찰한 결과를 최적화 알고리즘에 포함시켰다. 또, 신체 각 부위별로 적절한 그룹화를 시킨 다음 개별적으로 최적화를 수행함으로써 정확도와 효율성을 높였다.
이러한 모션을 보다 쉽고 직관적으로 편집하기 위하여 다양한 편집 기법들이 제안되거나[5][6][7], 또는 물리적 법칙에 기반하여 모션을 자동으로 수정하거나 생성해주는 연구들이 이루어졌으나[8][9], 실제 프로덕션 파이프라인에 적용되기에는 기존의 캐릭터 리그와 키프레이밍 방식에 친숙한 애니메이터가 사용하기에는 적합하지 않다. 또한 기존의 방식대로 대상 캐릭터의 관절에 리타겟팅 된 신체 모션을 수정하기 위해서는 캐릭터의 관절값을 애니메이터가 직접 수정해야 하므로, 다루기가 불편하고 직관적이지 않아 매우 비효율적이다. 이 때문에, 애니메이터들은 리타겟팅된 모션을 편집하는 과정에서 그들이 키프레이밍 애니메이션을 작업하던 친숙한 방식인 캐릭터 리그로 편집을 수행하기를 선호한다.
본 연구에서 제안한 방식은 신체에만 가능한 것이 아니라 얼굴 애니메이션을 캡쳐한 이후 얼굴에도 어느 정도 가능하다. 얼굴 애니메이션을 제작하는 데에도 신체 애니메이션을 제작하는 과정과 유사하게 얼굴 리그를 사용해서 제작되며, 이 얼굴 리그는 얼굴 애니메이션을 생성하는 파라미터들을 제어하게 된다.
이 연구는 모션 리타겟팅을 기존의 대상이 되었던 캐릭터의 관절 구조가 아닌, 애니메이터가 작업하기 쉽고 편리한 리깅 공간 파라미터에 수행하도록 하는 새로운 방식을 제안한다. 이로 인하여 애니메이터는 기존에 키프레이밍 애니메이션 작업을 하던 캐릭터 리그를 그대로 사용하여 모션 캡쳐 애니메이션을 수정할 수 있으며, 결과적으로 모션 캡쳐 데이터를 편집하는 과정에서의 작업 능률이 크게 향상되었다.
본 논문에서는 원본 모션을 실제 프로덕션에서 사용하는 수준의 복잡하고 다양한 캐릭터 리그에 리타겟팅 함으로써, 애니메이터가 모션을 수정하거나 재사용하는 데 기존의 친숙한 리그 파라미터를 그대로 활용할 수 있는 방법에 대하여 연구하였다. 이를 통하여 기존의 키프레이밍 애니메이션을 제작하는 파이프라인 그대로 모션 캡쳐 데이터를 활용할 수 있게 함으로써, 애니메이터의 작업 효율을 높여 전체적인 작업 시간을 단축시킬 수 있게 되었다. 애니메이터가 활용하기 편리하도록 캐릭터 리그 파라미터의 값을 최적화하는 연구가 Hahn 을 통해서 제안되었지만[11][12], 해당 연구는 물리 시뮬레이션 결과를 기반으로 캐릭터 몸체 변형을 담당하는 리그 파라미터를 최적화하는 연구로서 캐릭터의 모션과 관절 공간값을 최적화시키는 본 연구와는 차이가 있다.
100프레임 길이의 애니메이션을 리타겟팅 하는데, 가장 첫 프레임을 최적화하는 데에는 15초 정도가 소모되었고, 그 이후 프레임은 4에서 5초 정도가 소모되었다. 이후의 예제에서도 마찬가지이지만, 애니메이션의 경우 한 프레임에서 다음 프레임까지 파라미터의 변화가 크지 않으므로, 첫 프레임에서 최적화에 가장 많은 시간이 소모되고 그 이후에는 상대적으로 빠르게 최적화 연산이 수렴하는 것을 확인할 수 있었다.
표 2는 그 결과를 나타내 준다. 작업 시간은 애니메이터의 숙련도에 따라서 달라지겠지만, 리깅 공간에 리타겟팅한 이후 리그를 이용해서 수정하는 방식이 2배에서 크게는 10배 이상의 편집 시간을 줄여 주는 것을 확인하였다. 이는 모션의 성격에 따라서 다른데, 그림 11와 같이 캐릭터가 신체의 특정 부위를 고정하는 모션의 경우, 예를 들어 손을 특정 부분에 고정하고 다른 신체부위를 움직이는 등의 동작을 만들어낼 때, 이러한 동작 생성을 위해 관절 파라미터를 직접 수정하는 것은 대단히 어렵다.

후속연구

관절 공간에 대해서만 최적화를 수행하면 되었던 과정과는 달리 최적화 과정의 목적함수를 설정하는 데 있어 신체의 방법을 그대로 사용하기에는 한계가 있다. 이러한 얼굴 리깅 공간에 대한 애니메이션 리타겟팅은 좋은 후속연구가 될 수 있을 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	모션 리타겟팅의 일반적인 의미는?	키프레이밍 방식은 애니메이터의 역량에 크게 의존하며 시간과 비용이 많이 드는 단점이 있기에, 좀더 쉽고 빠르게 사실적인 모션을 얻을 수 있는 모션 캡쳐 및 리타겟팅 기술이 각광받게 되었다. 일반적인 의미에서 모션 리타겟팅은 모션 캡쳐 된 원본 모션을 서로 다른 대상 캐릭터에 에러값을 최소화하며 옮겨 주는 과정을 의미하며, 신체 모션 리타겟팅의 경우 원본 관절과 대상 관절의 관절값 에러를 최소화시키는 방식으로 이루어진다.[2][3][4] 모션 캡쳐 및 리타겟팅 기술은 그동안의 여러 연구 및 기술개발에 힘입어 이제 전통적인 키프레이밍 기법과 함께 실제 게임, 영화 및 애니메이션 프로덕션에서 매우 중요하게 사용되고 있다.
	키프레이밍 방식의 단점?	키프레이밍 방식은 애니메이터의 역량에 크게 의존하며 시간과 비용이 많이 드는 단점이 있기에, 좀더 쉽고 빠르게 사실적인 모션을 얻을 수 있는 모션 캡쳐 및 리타겟팅 기술이 각광받게 되었다. 일반적인 의미에서 모션 리타겟팅은 모션 캡쳐 된 원본 모션을 서로 다른 대상 캐릭터에 에러값을 최소화하며 옮겨 주는 과정을 의미하며, 신체 모션 리타겟팅의 경우 원본 관절과 대상 관절의 관절값 에러를 최소화시키는 방식으로 이루어진다.
	모션 리타겟팅을 리깅 공간 파라미터에 수행하면 어떤 장점이 있는가?	이 연구는 모션 리타겟팅을 기존의 대상이 되었던 캐릭터의 관절 구조가 아닌, 애니메이터가 작업하기 쉽고 편리한 리깅 공간 파라미터에 수행하도록 하는 새로운 방식을 제안한다. 이로 인하여 애니메이터는 기존에 키프레이밍 애니메이션 작업을 하던 캐릭터 리그를 그대로 사용하여 모션 캡쳐 애니메이션을 수정할 수 있으며, 결과적으로 모션 캡쳐 데이터를 편집하는 과정에서의 작업 능률이 크게 향상되었다.

참고문헌 (15)

T. McLaughlin, L. Cutler, and D. Coleman, "Character rigging, deformations, and simulations in film and game production," in ACM SIGGRAPH 2011 Courses, ser. SIGGRAPH '11. New York, NY, USA: ACM, 2011, pp. 5:1-5:18. [Online]. Available: http://doi.acm.org/10.1145/2037636.2037641
M. Gleicher, "Retargetting motion to new characters," in Proceedings of the 25th Annual Conference on Computer Graphics and Interactive Techniques, ser. SIGGRAPH '98. New York, NY, USA: ACM, 1998, pp. 33-42. [Online]. Available: http://doi.acm.org/10.1145/280814.280820
K. jin Choi and H. seok Ko, "On-line motion retargetting," Journal of Visualization and Computer Animation, vol. 11, pp. 223-235, 1999.
C. Hecker, B. Raabe, R. W. Enslow, J. DeWeese, J. Maynard, and K. van Prooijen, "Real-time motion retargeting to highly varied user-created morphologies," in ACM SIGGRAPH 2008 Papers, ser. SIGGRAPH '08. New York, NY, USA: ACM, 2008, pp. 27:1-27:11. [Online]. Available: http://doi.acm.org/10.1145/1399504.1360626
K. Grochow, S. L. Martin, A. Hertzmann, and Z. Popovi´c, "Style-based inverse kinematics," in ACM SIGGRAPH 2004 Papers, ser. SIGGRAPH '04. New York, NY, USA: ACM, 2004, pp. 522-531. [Online]. Available: http://doi.acm.org/10.1145/1186562.1015755
E. Hsu, M. da Silva, and J. Popovi´c, "Guided time warping for motion editing," in Proceedings of the 2007 ACM SIGGRAPH/ Eurographics Symposium on Computer Animation, ser. SCA '07. Aire-la-Ville, Switzerland, Switzerland: Eurographics Association, 2007, pp. 45-52. [Online]. Available: http://dl.acm.org/citation.cfm?id1272690.1272697
J. Min, H. Liu, and J. Chai, "Synthesis and editing of personalized stylistic human motion," in Proceedings of the 2010 ACM SIGGRAPH Symposium on Interactive 3D Graphics and Games, ser. I3D '10. New York, NY, USA: ACM, 2010, pp. 39-46. [Online]. Available: http://doi.acm.org/10.1145/1730804.1730811
C. K. Liu, A. Hertzmann, and Z. Popovi´c, "Learning physicsbased motion style with nonlinear inverse optimization," in ACM SIGGRAPH 2005 Papers, ser. SIGGRAPH '05. New York, NY, USA: ACM, 2005, pp. 1071-1081. [Online]. Available: http://doi.acm.org/10.1145/1186822.1073314
X. Wei, J. Min, and J. Chai, "Physically valid statistical models for human motion generation," ACM Trans. Graph., vol. 30, no. 3, pp. 19:1-19:10, May 2011. [Online]. Available: http://doi.acm.org/10.1145/1966394.1966398
P. Naas, Autodesk Maya 2014 Essentials: Autodesk Official Press, 1st ed. Alameda, CA, USA: SYBEX Inc., 2013.
F. Hahn, S. Martin, B. Thomaszewski, R. Sumner, S. Coros, and M. Gross, "Rig-space physics," ACM Trans. Graph., vol. 31, no. 4, pp. 72:1-72:8, July 2012. [Online]. Available: http://doi.acm.org/10.1145/2185520.2185568
F. Hahn, B. Thomaszewski, S. Coros, R. W. Sumner, and M. Gross, "Efficient simulation of secondary motion in rig-space," in Proceedings of the 12th ACM SIGGRAPH/Eurographics Symposium on Computer Animation, ser. SCA '13. New York, NY, USA: ACM, 2013, pp. 165-171. [Online]. Available: http://doi.acm.org/10.1145/2485895.2485918
S. G. Johnson, The NLopt nonlinear-optimization package, 2011. [Online]. Available: http://ab-initio.mit.edu/nlopt
M. J. D. Powell, "The BOBYQA algorithm for bound constrained optimization without derivatives," Department of Applied Mathematics and Theoretical Physics, Cambridge, England, Technical Report NA2009/06, 2009.
J. A. Nelder and R. Mead, "A simplex method for function minimization," Computer Journal, vol. 7, pp. 308-313, 1965.

상세보기

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증