二次布料效果的预计算.docVIP

接近详尽的的 摘要 针对计算机图形方面数据驱动方法的核心论点是建立在维度的魔咒：预先执行一个复杂空间的“一切”是非常棘手的。在本文中，为了挑战这种假设，我们用了数千CPU小时，通过一个大的运动曲线，在一个角色动画效果中对辅助布料效果的空间进行了大规模的勘测。我们的系统不断探索布料运动的相空间，逐布构建辅助布料运动图形来捕获系统的运动。我们发现可以从低视觉误差容限和含有几十原始网格千兆字节数据的辅助运动图形中采样动态空间，然后巨大空间将料运动制成表了的辅助布料运动图来红色动作ci）相关联。也就是说，当布料的姿势为ci，的状态是ci）很多的的 在播放期间，主图的遍历由应用程序的人物控制器控制，就如现今pj转换到p使布料的姿势从i到ci，pj→pk）。表中列举的辅助图c0和c5的转变， 辅助图，出 3.2探索图表 的的 初始化图形图是进行，的。 图4左侧表示探索开始于布料初始状态c0节点p0。其结果是从模拟中产生一个布料轨迹树（显示为红色）。（为了清楚起见对该树重新绘制，在该图的左下）。每条从树的根节点c0到叶节点ci的路径代表相应的人物动画从最初的姿势P（c0）= p0至P（ci）的模拟布运动顺序。 这样，树的叶子节点构成了二辅助运动图的结束结点。我们通过将共享相同主图状态并且拥有最相似内部结构的布料状态的节点进行合并，来删除每个结束节点状态（参见功能RemoveDeadend（））。请注意图4的中间图，结束节点c5和c9已分别合并到c0和c2中。（被删除节点c5和c9以灰色显示在辅助图中）。以前转换到结束节点的边缘，现在转换到合并的目标节点（显示为蓝色）。一旦所有的结束节点都被删除，图形初始化完成。辅助图现在提供了一个任何顺序的人物运动的布料动画结果，并因此给布料运动的全部空间一个粗略近似值。而图中的红线表示实际仿真轨迹，蓝色边表示近似于真正布料运动的转换。当近似值不理想（即当在图中没有内部节点是类似于结束节点的状态），为减少这种错误和在播放过程中避免低质量的运动就需要对布料相空间进行进一步取样。 图的无限扩展。对每一个结束节点进行合并操作后，我们同时存储（合并前的）结束节点布料图状态及在优先工作队列中（合并后的）与结束节点布料图状态相关联的边缘近似值错误，用于进一步取样。为了减少布运动误差，我们使用ExpandGraph（）函数所给出的过程来广泛地细化辅助运动图形。在每一步扩展步骤中，我们从优先级队列中提取最大的错误结束节点Cmax，并通过恢复之前合并操作时淘汰它的那张图形将Cmax重新插入图中。然后，我们再从Cmax（人物姿势P（cmax））开始模拟布料运动。进一步的模拟是在先前未开发的域布相空间采样，并辅助图中产生更多的，新的结束节点。另外，通过新增的合并将这些结束节点删除就像之前描述的那样。 图4，右侧显示从结束节点状态c5开始对图进行探索的步骤的结果。新增的模拟产生在两个新的结束节点，这两者都被合并到c2。辅助图细化的过程会继续反复，消除对布料相空间进行探索时遇到的最大的物理错误，直到辅助运动图总是保持在没有结束节点时。尽管对每一个依赖于之前的结果的新的扩张步骤进行模拟，但是来自工作队列的每一个结束节点的图形扩展都是独立的，这使得图形并行扩展比较为难。 3.3改进 布料定制化的误差量度。特定的一些布料转换误差比其他的误差更加令人讨厌。为了提供最坏误差的系统知识，我们可以定义对特定的布料或运动的领域进行布料姿势相似性测量。例如，在长袍布料（第5节讨论）的这种情况，对于包含将帽子搭落在人物的肩上和将帽子带到头上这种反向链接的布料图来说是最反感的。我们发现令人震惊的是，简单的错误衡量标准（如，对于顶点位置和速度来说的L 1和L∞误差）不认同这种转变，所以我们采用将帽子的位置分类为布料姿势的上和下，并将指定的高误差合并，这创造了难以置信的帽子的上下转变。这样的结果是，这样的转变上升到队列的头部。同时系统通过从高误差的结束节点开始探索运动，很快消除了误差。 混合图。辅助图里的误差恰恰发生在由结束节点合并所造成的的边缘（图4中的蓝色边）。为减少这些不连续性视觉所造成的假象，我们通过线性混合合并状态前后的轨迹，在一个序列帧上（我们的实现使用10个）扩散误差。 4.压缩 经过辅助图扩张的任何一步，我们可以将数据压缩和打包用于交互式可视化或积分，再放入游戏引擎中。压缩对于交互式播放来说至关重要，因为我们的辅助图由数万布料网格帧组成，这些布料网格帧需要数百完千兆字节的存储空间。然而，正如其他先前已观察到的[Wang等人。2010]，布料倾向于形成近似于重复的模式，并且这些数据实质上是有冗余的。我们发现，原始辅助图形数据压缩得非常好，而且压缩结果占用的空间小，可实时有效地解压缩。这种压缩是重要的，因为现在的游戏通常有严格的