BEGIN:VCALENDAR VERSION:2.0 PRODID:-//TUC//Events//EN CALSCALE:GREGORIAN BEGIN:VTIMEZONE TZID:Europe/Athens TZNAME:EEST DTSTART:19700329T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0300 TZNAME:EET DTSTART:19701025T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE BEGIN:VEVENT CREATED:20260707T082956Z LAST-MODIFIED:20260707T082956Z DTSTAMP:20260719T220136Z UID:1784487696@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας Νικολέτας Κοπάση - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8545&cHash=2edc9f2b50a6e70 30d17513096f128ff\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Νικολέτας Κοπάσ η\n με θέμα\n Μέθοδοι Βαθιάς Μάθησης για τη Δημιουργία Τρισδιάστατων Χαρ ακτήρων με Δυνατότητα Κίνησης\n Deep Learning Methods for Authoring Anim ation-ready 3D Characters\n Εξεταστι κή Επιτροπή\n Αναπληρωτής Καθηγητής Ευάγγελος Καλογεράκης (επιβλέπων)\n Καθηγητής Μιχαήλ Λαγουδάκης\n Καθηγή τρια Aικατερίνη Μανιά\n Περίληψη\n Η αυτόματη δημιουργία τρισδιάστατων χ αρακτήρων κατάλληλων για animation π αραμένει ένα απαιτητικό πρόβλημα, κα θώς απαιτεί την εκτίμηση του σκελετο ύ (ιεραρχιών αρθρώσεων) και των skin ning weights (βαρών επιρροής). Πρόσφ ατες μέθοδοι βασισμένες σε deep lear ning έχουν βελτιώσει την αυτοματοποί ηση αυτής της διαδικασίας, προβλέπον τας animation-ready χαρακτήρες απευθ είας από τη τρισδιάστατη γεωμετρία. Ωστόσο, καθοδηγούνται κυρίως από γεω μετρικά χαρακτηριστικά και δεν αξιοπ οιούν ρητά σημασιολογική πληροφορία σχετικά με τα μέρη του σώματος.\n Η παρούσα διπλωματική εργασία εξετάζει αν η σημασιολογική πληροφορία μερών του σώματος μπορεί να χρησιμοποιηθε ί ως ένα επιπλέον σήμα καθοδήγησης ( conditioning signal) για την πρόβλεψ η των  blend weights. Για τον σκοπό αυτό δημιουργήθηκε ένα σημασιολογικά επαυξημένο σύνολο δεδομένων, στο οπ οίο κάθε σημείο του μοντέλου συνοδεύ εται από πληροφορία σχετικά με το μέ ρος του σώματος στο οποίο ανήκει. \n Η προτεινόμενη μέθοδος ενσωματώνει τη σημασιολογική πληροφορία των μερώ ν του σώματος στη διαδικασία πρόβλεψ ης των blend weights, εμπλουτίζοντας τη γεωμετρική αναπαράσταση. Η μέθοδ ος αξιολογείται μέσω ενός ablation s tudy που συγκρίνει το fine-tuned geo metry-only model με το προτεινόμενο semantic-conditioned model.  Η αξιολ όγηση γίνεται με τη χρήση σφάλματος του blend-weight και σφάλματος του d eformation. Χρησιμοποιούνται επίσης οπτικοποιήσεις για την εξέταση των π ροβλεπόμενων κατανομών των blend wei ghts. \n Τα αποτελέσματα δείχνουν ότ ι το fine-tuning βελτιώνει την ποιότ ητα παραμόρφωσης και ότι η χρήση της σημασιολογικής πληροφορίας υπερέχει . Συνεπώς, το νέο semantic μοντέλο ε πηρεάζει θετικά τις προβλέψεις των κ ατανομών των βαρών.\n Abstract \n Au tomatic generation of animation-read y 3D characters remains a challengin g problem, as it requires the estima tion of both the underlying skeleton (joint hierarchy) and the correspon ding skinning weights. Recent deep l earning approaches have significantl y advanced the automation of this pr ocess by predicting animation-ready assets directly from 3D geometry. Ho wever, these methods are primarily d riven by geometric features and do n ot explicitly exploit high-level sem antic information describing the dif ferent body parts.\n This thesis inv estigates whether body-part semantic information can be used as an addit ional conditioning signal for blend- weight prediction. To this end, a se mantically augmented dataset was con structed, in which every point of ea ch 3D model is associated with seman tic information indicating the body part to which it belongs.\n The prop osed method incorporates body-part s emantics into the blend-weight predi ction process by enriching the origi nal geometric representation with se mantic information. The effectivenes s of the proposed approach is evalua ted through an ablation study compar ing a fine-tuned geometry-only model with the proposed semantic-conditio ned model. Performance is assessed u sing both blend-weight prediction er ror and deformation error. In additi on, qualitative visualizations are e mployed to examine the predicted ble nd-weight distributions.\n The exper imental results show that fine-tunin g improves deformation quality, whil e the incorporation of semantic info rmation provides further improvement s. Overall, the proposed semantic-co nditioned model produces more accura te blend-weight distributions and le ads to improved deformation quality compared with the geometry-only base line.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260710T110000 DTEND:20260710T120000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR