Far luce sul futuro dell’animazione cartone animato l’innovazione di AnimeInbet nel disegno inbetweening a linea

Proiettare la luce sul futuro dell'animazione dei cartoni animati l'innovazione di AnimeInbet nel disegno inbetweening a linea

L’animazione a cartoni animati ha fatto significativi progressi fin dai suoi esordi all’inizio del 1900, quando gli animatori disegnavano a mano i singoli fotogrammi su carta. Sebbene siano stati introdotti metodi automatizzati per assistere specifiche fasi della produzione di animazioni, come la colorazione e gli effetti speciali, l’aspetto fondamentale, che prevede il disegno a mano di linee dei personaggi per ogni fotogramma, rimane un impegno laborioso nell’animazione 2D.

Lo sviluppo di un algoritmo automatico per la generazione di disegni intermedi da due fotogrammi chiave di input, un processo comunemente noto come “in-betweening”, può migliorare significativamente la produttività del settore. L’in-betweening di linee presenta sfide specifiche rispetto all’interpolarità generale dei fotogrammi a causa della scarsità dei disegni a linee. Questi disegni sono tipicamente composti da circa il 3% di pixel neri, mentre il resto dell’immagine è uno sfondo bianco. Questa caratteristica unica presenta due sfide critiche per i metodi esistenti di interpolazione raster basata su immagini. In primo luogo, l’assenza di texture nei disegni a linee rende difficile calcolare con precisione le corrispondenze pixel per pixel nell’interpolazione di fotogrammi, dando luogo a previsioni di movimento non accurate a causa della presenza di candidati di corrispondenze simili per un singolo pixel. In secondo luogo, le tecniche di distorsione e fusione utilizzate nell’interpolarità dei fotogrammi possono portare a sfocature dei confini essenziali tra la linea e lo sfondo, causando una significativa perdita di dettaglio.

Considerando le problematiche sopra menzionate, è stato proposto un nuovo framework di deep-learning chiamato “AnimeInbet” per eseguire l’in-betweening di linee in un formato geometrico anziché immagini raster. Una panoramica dell’approccio è presentata nella figura sottostante.

• ZenML per veicoli elettrici dai dati alle previsioni di efficienza
• Una guida completa per creare un assistente AI per riassumere video di YouTube – Parte 2
• Principiante a Ninja Perché le tue competenze in Python contano nella Data Science

Il processo implica la trasformazione delle immagini di origine in grafici vettoriali per sintetizzare un grafico intermedio. Questa riformulazione affronta le sfide descritte precedentemente nel paper. Il processo di corrispondenza nel dominio geometrico si concentra su vertici geometrici disegnati piuttosto che su tutti i pixel, riducendo le possibili ambiguità e migliorando l’accuratezza delle corrispondenze. Inoltre, il processo di riposizionamento preserva la topologia dei disegni a linee, consentendo di mantenere strutture di linee intricate e meticolose.

Il concetto fondamentale alla base del framework AnimeInbet è l’identificazione dei vertici corrispondenti tra due grafici di disegni a linee di input, seguita dal loro spostamento per creare un nuovo grafico intermedio. Il processo inizia con lo sviluppo di una strategia per la codifica dei vertici, consentendo la differenziazione delle caratteristiche geometriche alle estremità delle linee scarne disegnate. Successivamente, viene utilizzato un Transformer di corrispondenze dei vertici per stabilire le corrispondenze tra le estremità dei due grafici di disegni a linee di input. I vettori di spostamento dai vertici corrispondenti vengono quindi propagati ai vertici non corrispondenti in base alla similarità delle loro caratteristiche aggregate, agevolando il riposizionamento di tutte le estremità. Infine, il framework predice una maschera di visibilità per rimuovere i vertici e i bordi oscurati nell’immagine intermedia, garantendo la creazione di un fotogramma intermedio pulito e completo.

Per supportare l’addestramento supervisionato per la corrispondenza dei vertici, viene introdotto un nuovo dataset chiamato MixamoLine240. Questo dataset unico offre arte a linee con geometrizzazione e etichette di corrispondenza dei vertici come ground truth. I disegni a linee 2D nel dataset sono generati in modo selettivo da bordi specifici di un modello 3D, con le estremità corrispondenti ai vertici 3D indicizzati. L’utilizzo dei vertici 3D come punti di riferimento garantisce l’accuratezza e la coerenza delle etichette di corrispondenza dei vertici nel dataset a livello di vertice.

Rispetto ai metodi esistenti, il framework AnimeInbet ha dimostrato la capacità di generare disegni a linee intermedi puliti e completi. Alcuni esempi tratti dallo studio sono riportati di seguito.

Questo è stato il riassunto di AnimeInbet, una nuova tecnica di intrecciatura di disegni a linea in un formato geometrico anziché immagini raster. Se sei interessato e desideri saperne di più, sentiti libero di consultare i link citati di seguito.