In Table 3, we compare the average

In Table 3, we compare the average error and properties of four approaches. Method-I has nice features but cannot provide satisfied visual and quantitative results given the incompatibility among resources. Method-II requires intensive labor work and changes the original motion defined by mocap data. Method-III provides natural animation sequences but the data conversion process involves professional knowledge and programming, which makes it difficult to apply onto other data sets that have the skeleton incompatibility issue. The proposed pipeline combines advantages of two commercial software and can be extended to wide range of mocap data and shape models. More importantly, our method reaches the smallest error, that is, the ground truth mocap data is best reflected in the synthesized motion sequence with the smallest differences. This kind of kinematic accuracy is essential in the visual-based research for both the training data generation and the testing data evaluation. Also, we show more animation sequences from various motions generated by our pipeline in Fig. 9. A few sophisticated motions are demonstrated including dancing, kicking

ผลลัพธ์ (ไทย) 1:

ตารางที่ 3 เราเปรียบเทียบผิดพลาดเฉลี่ยและคุณสมบัติของวิธีต่าง ๆ สี่ วิธี-ฉันมีคุณสมบัติที่ดี แต่ไม่สามารถให้ satisfied ภาพ และเชิงปริมาณผลกำหนดกันในกลุ่มทรัพยากร วิธีที่สองต้องการทำงานของแรงงานสูง และการเปลี่ยนแปลงกำหนดเคลื่อนไหวเดิม mocap ข้อมูล วิธี-III ให้ไหวธรรมชาติ แต่กระบวนการแปลงข้อมูลที่เกี่ยวข้องกับความรู้ทางวิชาชีพ และ การเขียนโปรแกรมซึ่งทำให้ difficult ใช้ชุดข้อมูลอื่นที่มีปัญหากันโครงกระดูก ขั้นตอนการนำเสนอรวมข้อดีของสองซอฟต์แวร์เชิงพาณิชย์ และสามารถขยายช่วงกว้างของ mocap ข้อมูลและรูปร่าง สำคัญ วิธีการของเราถึงข้อผิดพลาดน้อยที่สุด ที่ ดินจริง mocap ข้อมูล reflected ดีที่สุดในลำดับการเคลื่อนไหวสังเคราะห์กับ differences ที่เล็กที่สุด จลน์ความถูกต้องชนิดนี้เป็นสิ่งจำเป็นในการวิจัยใช้ visual สำหรับสร้างข้อมูลฝึกอบรมและการประเมินผลข้อมูลทดสอบ นอกจากนี้ เราสามารถแสดงลำดับการเคลื่อนไหวเพิ่มเติมจากภาพเคลื่อนไหวต่าง ๆ ที่สร้างขึ้น โดยเราท่อในรูป 9 ภาพเคลื่อนไหวที่ซับซ้อนบางจะแสดงรวมทั้งการเต้นรำ เตะ

ผลลัพธ์ (ไทย) 2:

ในตารางที่ 3 เราเปรียบเทียบข้อผิดพลาดเฉลี่ยและคุณสมบัติสี่วิธี วิธี-I มีคุณสมบัติที่ดี แต่ไม่สามารถให้ไฟ satis ed ผลภาพและเชิงปริมาณที่ได้รับความไม่ลงรอยกันในหมู่ทรัพยากร วิธี-II ต้องทำงานแรงงานเข้มข้นและการเปลี่ยนแปลงการเคลื่อนไหวเดิมนิยามโดยข้อมูล mocap วิธี-III มีลำดับของภาพเคลื่อนไหวที่เป็นธรรมชาติ แต่ขั้นตอนการแปลงข้อมูลที่เกี่ยวข้องกับความรู้ทางวิชาชีพและการเขียนโปรแกรมซึ่งจะทำให้มันดิ FFI ศาสนาที่จะใช้ลงบนชุดข้อมูลอื่น ๆ ที่มีปัญหาความไม่ลงรอยกันโครงกระดูก ท่อที่นำเสนอรวมข้อดีของทั้งสองซอฟต์แวร์เชิงพาณิชย์และสามารถขยายไปยังหลากหลายของข้อมูลที่จับภาพและรูปแบบรูปทรง ที่สำคัญกว่าวิธีการของเราถึงข้อผิดพลาดน้อยที่สุดนั่นคือความจริงที่พื้นจับภาพข้อมูลที่ดีที่สุดคืออีกชั้น ected ในลำดับที่เคลื่อนไหวสังเคราะห์ที่มีขนาดเล็กที่สุด di ฉฉ erences ชนิดของความถูกต้องจลนศาสตร์นี้เป็นสิ่งจำเป็นในการวิจัยภาพที่ใช้สำหรับทั้งสองรุ่นข้อมูลการฝึกอบรมและการประเมินผลข้อมูลการทดสอบ นอกจากนี้เราจะแสดงลำดับของภาพเคลื่อนไหวเพิ่มเติมจากการเคลื่อนไหวต่างๆที่เกิดจากท่อของเราในรูป 9. การเคลื่อนไหวที่มีความซับซ้อนน้อยแสดงให้เห็นรวมถึงการเต้นรำเตะ

ผลลัพธ์ (ไทย) 3:

我们先进3在表，compare properties of four approaches误差和平均功能。但不能提供很好Method-I has结果：fi满意的视觉和quantitative incompatibility among因为工作intensive Method-II requires劳动资源。运动和变化的原始数据需要通过mocap defi而自然。Method-III提供的数据转换sequences动画involves专业知识和编程过程，这使它对其他fficult二套数据是有onto applyincompatibility）的问题。proposed骨架的两个管道combines优点可以是商业软件和extended一个广泛的范围和形状。mocap数据模型更重要的是，我们的方法smallest reaches地面，那是错误的，真理最好的ected mocap数据层是在重新合成运动序列与smallest。这种差异的影响；运动精度的研究是必不可少的，在训练数据visual-based两代的评价和测试数据。同时，我们更要从各种sequences动画在我们Fig通过管道motions KEYS。9 sophisticated motions很少.表明，这种舞蹈是包括