Adaptive Interpolation-Synthesis for Motion In-Betweening on Keyframe-Based Animation
作者: Anton Raël, Julien Boucher, Antoine Lhermitte
分类: cs.GR, cs.LG
发布日期: 2026-05-04
备注: Accepted to SIGGRAPH 2026 Conference Papers
💡 一句话要点
提出自适应插值-合成方法，加速关键帧动画的中间帧生成。
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)
关键词: 中间帧生成 关键帧动画 自适应插值 深度学习 运动合成
📋 核心要点
- 现有深度学习中间帧生成方法与专业动画工作流程存在差异，难以满足动画师的创作需求。
- 提出自适应插值-合成（AIS）层，动态平衡插值和姿势合成，模拟动画师的创作过程。
- 在生产数据上实现了state-of-the-art性能，集成到Maya后，中间帧生成速度提升3.5倍。
📝 摘要（中文）
中间帧生成是3D动画制作中艺术性和耗时性都极高的阶段，它决定了运动的表达力和节奏。由于其所需的创造性控制，中间帧生成是主要的生产瓶颈，因此需要智能工具来辅助动画师完成此过程。虽然最近的深度学习方法在运动合成和中间帧生成方面取得了显著成果，但它们所假设的数据特征、运动风格和问题公式与专业动画工作流程存在差异。为了弥合这一差距，我们提出了一种与生产环境中基于关键帧动画的中间帧生成约束显式对齐的方法。该方法的核心是自适应插值-合成（AIS）层，它通过动态平衡学习到的插值和直接姿势合成来反映动画师的创作过程。此外，基于领域的输入关键姿势调度反映了生产数据的分布，从而提高了风格一致性以及训练和实际使用之间的一致性。我们的方法在生产数据上实现了最先进的性能；当集成到Autodesk Maya中时，它使动画师能够以3.5倍的速度完成中间帧生成任务。
🔬 方法详解
问题定义：论文旨在解决3D动画制作中，中间帧生成耗时且需要高度艺术性的问题。现有深度学习方法虽然在运动合成和中间帧生成方面有所进展，但它们通常假设的数据特征、运动风格和问题公式与专业动画工作流程不符，难以直接应用于实际生产环境，无法满足动画师对创作过程的控制需求。
核心思路：论文的核心思路是通过模仿动画师的创作过程，动态地平衡学习到的插值和直接姿势合成。这种方法旨在更好地适应生产环境中的数据分布和动画风格，从而提高生成中间帧的质量和效率。通过可控的插值和合成，动画师可以更好地控制最终的动画效果。
技术框架：该方法的核心是自适应插值-合成（AIS）层。整体流程包括：首先，输入关键帧序列；然后，通过基于领域的输入关键姿势调度，反映生产数据的分布，提高风格一致性；接着，AIS层动态平衡插值和姿势合成，生成中间帧；最后，将该方法集成到Autodesk Maya中，方便动画师使用。
关键创新：该方法最重要的创新点在于AIS层，它能够自适应地调整插值和合成的比例，从而更好地模拟动画师的创作过程。与传统的插值方法相比，AIS层能够学习到更复杂的运动模式，并生成更自然的中间帧。与直接姿势合成方法相比，AIS层能够更好地利用关键帧的信息，保证动画的连贯性。
关键设计：AIS层的关键设计在于其动态平衡插值和合成的能力。具体实现细节未知，但可以推测可能使用了注意力机制或者其他自适应权重调整方法，使得网络能够根据输入关键帧的特征，自动调整插值和合成的比例。此外，基于领域的输入关键姿势调度也是一个关键设计，它能够反映生产数据的分布，从而提高风格一致性。
🖼️ 关键图片
📊 实验亮点
该方法在生产数据上实现了state-of-the-art的性能。当集成到Autodesk Maya中时，动画师能够以3.5倍的速度完成中间帧生成任务。这表明该方法在实际生产环境中具有很高的应用价值，能够显著提高动画制作效率。
🎯 应用场景
该研究成果可广泛应用于3D动画制作、游戏开发、虚拟现实等领域，能够显著提高动画制作效率，降低制作成本。通过智能生成高质量的中间帧，动画师可以将更多精力投入到角色设计、故事叙述等更具创造性的工作中。未来，该技术有望进一步发展，实现更加自动化和智能化的动画制作流程。
📄 摘要（原文）
Motion in-betweening is one of the most artistically demanding and time consuming stages of 3D animation, where the expressivity and rhythm of motion are defined. The level of creative control it requires makes it a major production bottleneck, underscoring the need for intelligent tools that assist animators in this process. Although recent deep learning approaches have achieved strong results in motion synthesis and in-betweening, they assume data characteristics, motion styles, and problem formulations that diverge from professional animation workflows. To bridge this gap, we propose a method explicitly aligned with the constraints of motion in-betweening for keyframe-based animation in production environments. At its core, the Adaptive Interpolation-Synthesis (AIS) layer mirrors the animator's creative process by dynamically balancing learned interpolation and direct pose synthesis. In addition, a domain-based input keypose schedule reflects the distribution of production data, improving stylistic consistency and alignment between training and real-world usage. Our method achieves state-of-the-art performance on production data; when integrated into Autodesk Maya, it enables animators to complete in-betweening tasks with a 3.5x speedup.