Wat ik nu echt spannend vindt zijn de nieuwe, ongekende mogelijkheden, zoals de Latent Space Animation (LSA). Ja, ik moest zelf ook even moeite doen om die term te begrijpen. Ik ga het uitleggen. Je kent morphing waarschijnlijk wel, maar dit is next level 🤯.
Stel je even voor: je toont aan een AI twee verschillende foto’s van dezelfde persoon in dezelfde ruimte. Op de ene staat de persoon en op de andere foto zie je deze liggen. Een traditionele morph (of ‘tween’) tussen deze twee beelden zou een gekke animatie opleveren die de pixels vermorzeld. Met LSA ‘voorspelt’ de AI welke tussenhoudingen - de latente spaces- een persoon zal aannemen die van staan naar liggen beweegt.
Twee onderzoekers van de Universiteit van Lyon beschrijven in een recente
paper welk probleem voor animatoren ze met deze vorm van AI denken op te lossen:
In order to create appealing animation, animators define the key poses of a character by manipulating its underlying skeletons’ joints. To look plausible, a human pose must respect many ill-defined constraints and the resulting realism greatly depends on the author’s eye for details. Computer animation software proposes tools to help in this matter, relying on various algorithms to automatically enforce some of these constraints.
The increasing availability of motion capture data has raised interest in data-driven approaches to pose design, with the potential of shifting more of the task of assessing realism from the artist to the computer. In this paper, we propose such a method, relying on neural networks to learn the constraints from the data and to create an alternative representation of the pose space.
Noot: Ik heb me laten vertellen dat gedetailleerde art direction bij latent space animations nog lastig is, maar zie dat als een kwestie van tijd.