چکیده
اوتافارهای گاستیون سه‌بعدی از پردازش سریع پشتیبانی می‌کنند، با این حال، انیمیشن بلادرنگ آن‌ها اغلب با استنتاج پرهزینه هوش مصنوعی م‌روبه‌رو است. ما به این گلوگاه پاسخ می‌دهیم و نشان می‌دهیم که انیمیشن مدل‌های آواتار آموزش‌دیده می‌تواند به‌صورت نزولی با یک ترکیب خطی از شکل‌های ترکیبی مستقل از هویت تقریب داده شود. با تکیه بر این یافته، ما GALA (Gaussian Animation via Linear Approximation) را معرفی می‌کنیم؛ یک روش تقطیر که رمزگشایی عصبی سنگین هر فریم را با یک پیش‌بینی‌کننده ضریب نازک و یک ترکیب خطی جایگزین می‌کند. برای بهبود دقت و کاهش نیاز به حافظه، پایه را با استفاده از پراکسینال محلی بلوک تحت یک معیار آگاهی از رندرینگ و با در نظر گرفتن بودجه حافظه ایجاد می‌کنیم. روش ما یک شبکه MLP نازک برای پیش‌بینی ضریب‌های شکل‌ترکیب یاد می‌گیرد و بدون بازآموزی مدل‌های اصلی، بر روی معماری‌های مختلف انیمیشن اعمال می‌شود. ما روش GALA را با تسریع استنتاج سه مدل آواتار متمایز برای انیمیشن سه‌بعدی بیان‌های چهره و بدن کامل با پوسته‌های لباس تأیید می‌کنیم. در این مدل‌ها، تقطیر ما به هویت‌های خارج از مجموعه آموزش تعمم می‌یابد و هزینه انیمیشن CPU را تا سه برابر کاهش می‌دهد در حالی که بیشتر کیفیت‌های رندر را حفظ می‌کند. نتایج عالی روش ما ساختار خطی مشترک نماینده‌های آواتار یاد شده را تأیید می‌کند و انیمیشن بسیار کارآمد و دقیقی را با نرخ‌های فریم تا ۶۰ فریم بر ثانیه در دستگاه‌های موبایل فراهم می‌کند. صفحه پروژه: https://ramazan793.github.io/gala/