Daniel Holden, de hoofdauteur van de originele Phase-Functioned Neural Networks paper, heeft deze zomer een nieuwe paper omtrent datagedreven animaties gepublisht!
De paper, met de titel "Learned Motion Matching", baseert zich op het concept van motion matching. Motion Matching is de techniek die Michael Büttner introduceerde in 2015 toen deze bij Ubisoft werkte. Sindsdien heeft Michael verder gebouwd op deze techniek, en deze verder verfijnt. Ondertussen is deze techniek als preview package te verkrijgen onder de term "Kinematica" in Unity.
Daniel Holden's versie van Motion Matching, is in staat om even goede resultaten te bereiken als het origineel, met behoud van de kwaliteit van de originele animaties, relatief veel controle, en een snelle iteratietijd, maar het grote pluspunt voor deze techniek is de schaalbaarheid. Het geheugengebruik van Michael Büttner's originele versie van motion matching schaalt lineair met de hoeveelheid diverse animaties, deze nieuwe oplossing, dankzij het gebruik van neural networks, zal net zoals de phase-function oplossingen een veel kleiner deel van het geheugen innemen, en deze blijft constant.
Je vindt Daniel Holden's nieuwe paper hier, en je vindt zijn video over de paper hieronder.