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:20260717T022518Z UID:1784244318@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κας Νικολέτας Κοπάση - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.tuc.gr/el/to-polytechnei o/ilektronikes-ypiresies/imerologio/ imerologio-ekdiloseon-1?tx_tucevents 2_tuceventsdisplay%5Baction%5D=show& tx_tucevents2_tuceventsdisplay%5Bcon troller%5D=Event&tx_tucevents2_tucev entsdisplay%5Bevent%5D=8545&cHash=9f 5901d19459f6296fbe9a8a4cdb950a\nΠΟΛΥ ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\ n Πρόγραμμα Προπτυχιακών Σπουδών\n Π ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Νι κολέτας Κοπάση\n με θέμα\n Μέθοδοι Β αθιάς Μάθησης για τη Δημιουργία Τρισ διάστατων Χαρακτήρων με Δυνατότητα Κ ίνησης\n Deep Learning Methods for A uthoring Animation-ready 3D Characte rs\n Εξεταστική Επιτροπή\n Αναπληρωτ ής Καθηγητής Ευάγγελος Καλογεράκης ( επιβλέπων)\n Καθηγητής Μιχαήλ Λαγουδ άκης\n Καθηγήτρια Aικατερίνη Μανιά\n Περίληψη\n Η αυτόματη δημιουργία τρ ισδιάστατων χαρακτήρων κατάλληλων γι α animation παραμένει ένα απαιτητικό πρόβλημα, καθώς απαιτεί την εκτίμησ η του σκελετού (ιεραρχιών αρθρώσεων) και των skinning weights (βαρών επι ρροής). Πρόσφατες μέθοδοι βασισμένες σε deep learning έχουν βελτιώσει τη ν αυτοματοποίηση αυτής της διαδικασί ας, προβλέποντας animation-ready χαρ ακτήρες απευθείας από τη τρισδιάστατ η γεωμετρία. Ωστόσο, καθοδηγούνται κ υρίως από γεωμετρικά χαρακτηριστικά και δεν αξιοποιούν ρητά σημασιολογικ ή πληροφορία σχετικά με τα μέρη του σώματος.\n Η παρούσα διπλωματική εργ ασία εξετάζει αν η σημασιολογική πλη ροφορία μερών του σώματος μπορεί να χρησιμοποιηθεί ως ένα επιπλέον σήμα καθοδήγησης (conditioning signal) γι α την πρόβλεψη των  blend weights. Γ ια τον σκοπό αυτό δημιουργήθηκε ένα σημασιολογικά επαυξημένο σύνολο δεδο μένων, στο οποίο κάθε σημείο του μον τέλου συνοδεύεται από πληροφορία σχε τικά με το μέρος του σώματος στο οπο ίο ανήκει. \n Η προτεινόμενη μέθοδος ενσωματώνει τη σημασιολογική πληροφ ορία των μερών του σώματος στη διαδι κασία πρόβλεψης των blend weights, ε μπλουτίζοντας τη γεωμετρική αναπαράσ ταση. Η μέθοδος αξιολογείται μέσω εν ός ablation study που συγκρίνει το f ine-tuned geometry-only model με το προτεινόμενο semantic-conditioned mo del.  Η αξιολόγηση γίνεται με τη χρή ση σφάλματος του blend-weight και σφ άλματος του deformation. Χρησιμοποιο ύνται επίσης οπτικοποιήσεις για την εξέταση των προβλεπόμενων κατανομών των blend weights. \n Τα αποτελέσματ α δείχνουν ότι το fine-tuning βελτιώ νει την ποιότητα παραμόρφωσης και ότ ι η χρήση της σημασιολογικής πληροφο ρίας υπερέχει. Συνεπώς, το νέο seman tic μοντέλο επηρεάζει θετικά τις προ βλέψεις των κατανομών των βαρών.\n A bstract \n Automatic generation of a nimation-ready 3D characters remains a challenging problem, as it requir es the estimation of both the underl ying skeleton (joint hierarchy) and the corresponding skinning weights. Recent deep learning approaches have significantly advanced the automati on of this process by predicting ani mation-ready assets directly from 3D geometry. However, these methods ar e primarily driven by geometric feat ures and do not explicitly exploit h igh-level semantic information descr ibing the different body parts.\n Th is thesis investigates whether body- part semantic information can be use d as an additional conditioning sign al for blend-weight prediction. To t his end, a semantically augmented da taset was constructed, in which ever y point of each 3D model is associat ed with semantic information indicat ing the body part to which it belong s.\n The proposed method incorporate s body-part semantics into the blend -weight prediction process by enrich ing the original geometric represent ation with semantic information. The effectiveness of the proposed appro ach is evaluated through an ablation study comparing a fine-tuned geomet ry-only model with the proposed sema ntic-conditioned model. Performance is assessed using both blend-weight prediction error and deformation err or. In addition, qualitative visuali zations are employed to examine the predicted blend-weight distributions .\n The experimental results show th at fine-tuning improves deformation quality, while the incorporation of semantic information provides furthe r improvements. Overall, the propose d semantic-conditioned model produce s more accurate blend-weight distrib utions and leads to improved deforma tion quality compared with the geome try-only baseline.\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