シミュレーションを行なえば、線形ブレンドスキニングよりもリアルに見える変形を得ることができます。 しかし、線形ブレンドスキニングの方がはるかに高速です。 シミュレーションされたポーズを学習させて線形ブレンドスキニングを改善させることはできないだろうか? ランダムなポーズから学習させることでどのように線形ブレンドスキニングを改善させることができるのか示した例は、コンテンツライブラリからML Deformerファイルをダウンロードして確認することができます。

このセットアップは、TOPネットワークを使用して、機械学習のすべてのステージ(データ生成、事前処理、トレーニング)を制御しています。 このセットアップは、MLをサポートしているいくつかの新しいHoudini20の機能(新しく追加されたONNX SOP、新しく追加されたPrincipal Component Analysis SOP、機能拡張されたPython Script TOPを含む)の使い方を説明しています。

コンテンツライブラリのML Terrainサンプルは、TOPノードを使用して、地形データを生成してから、そのデータを使用して、アーティストからの単純なスケッチから新しい地形を生成可能なMLモデルにトレーニングさせる方法を説明しています。 このMLモデルは、トレーニングされた地形のスタイルをキャプチャします。 例えば、入力の地形データが砂漠の砂丘で構成されている場合、このMLモデルは、そのスタイルの地形を生成できるように学習します。 トレーニングされたモデルは、Houdiniで新しく追加されたONNX SOPによって評価します。

このデモは、MLモデルの作成からそれをHoudiniで直接使用するまでの一通りの工程が分かるようになっています。 また、色々探れることを念頭に作られています。 あなたが用意した地形侵食HDAを接続したり、Height Fieldパターンを使用するのも良いでしょう。 解像度の異なるHeight Fieldを使用してその結果を比較してみましょう。 巨大な地形でテストしたり、細かく微調整されたディテールで作業するのも良いでしょう。 月のクレーターのMLモデルや異世界をトレーニングさせたり、単に既存の実世界のLiDARデータを使用するものいいですね。

ONNX Machine Learning Terrainデモは、2つのパーツに分かれています。 ここでファイルをダウンロードすることができます。