Personality transfer in human animation: Comparing handcrafted and data-driven approaches

Animasyondan kişilik özelliklerini algılama ve değiştirme becerisi, karakter ani\-masyonu ve interaktif medya gibi alanlarda önemli çalışmalara önayak olmaktadır. Sistematik araçlar veya makine öğrenmesi yaklaşımları kullanan araştırmalar ve gelişmeler, kişiliğin ses, resim, video ve hareket gibi farklı modalite\-lerden algılanabileceğini ortaya koymaktadır. Hareket ayarlamak ve algılanan kişilik özelliklerini değiştirmek için geleneksel olarak el ile oluşturulmuş sistemler kullanılmaktadır. Ancak derin öğrenme yaklaşımları, daha ayrıntılı ve otomatikleştirilmiş kişilik geliştirme olanakları sunmaktadır. Bu gelişmekte olan konuya dikkat çekmek için el ile oluşturulmuş modellerle derin öğrenme modellerini, animasyonlarda algılanan kişilik özelliğini değiştirme verimliliği üzerinden karşılaştırılmıştır. Kişilik tanıma, hareket değişimi ve hareket oluşturma gibi çeşitli yaklaşımlar incelenmiştir. Bulgulara dayanarak OCEAN kişilik özelliklerini değiştirmek için hareketleri yönlendirirken kullanılabilecek iki yöntem geliştirilmiştir. İlk yöntem, Laban Hareket Analizi (LMA) parametrelerini kullanarak kemik pozisyonlarını ve rotasyonlarını değiştiren, el ile oluşturulmuş bir araçtır. İkinci yöntem, hareket içeriğini kişilik özelliklerinden ayıran bir derin öğrenme modelidir. Kişilik özellikleri bu modelle değiştirilerek animasyonun geneli değiştirilebilmiştir. Bu modeller üç bölümden oluşan bir kullanıcı çalışmasıyla değerlendirilmiş, iki yaklaşımın da güçlü yanları ve kısıtlamaları ortaya konmuştur.