1 Temmuz 2024 Pazartesi

İNCE YENİ ÇİZGİ (ŞUBAT 1997)

S: Videografinin varlığından en çok sorumlu olan tek bir icat nedir?

C: Telgraf.

S: Bugün videografi alanındaki gelişmelerin çoğuna yön veren icat nedir?
C: Telgraf.

S: Ve gelecekte videografi dünyasını değiştirebilecek icat nedir?
C: Telgraf.

Bu yanıtlar doğruysa kesinlikle garip görünüyor. AT&T’nin adının (American Telephone and Telegraph) varlığına rağmen, telgraf bugün müze statüsüne indirgenmiş durumda. Hatta bu konunun tarihçileri bile günümüzde ilk telgraftan ziyade son gönderilen telgrafla daha çok ilgilenebilirler.

Ancak telgraf, videografiyle özel bir alaka taşır—bu alaka, ilginç bir şekilde azalmaktan ziyade artıyor gibi görünüyor. Sonuçta, yaygın bir elektrikli telgraf tanımı, "bit oranı azaltma (sıkıştırma) tekniklerini kullanarak bilgileri dijital olarak ileten bir şey" olabilir. Dijital mi? Sıkıştırma mı? Belki de en baştan başlamak en iyisi olacaktır.

1990'ların videografları dijital iletişim kuran ilk insanlar değildi. Duman sinyalleri ve davul vuruşları, dijital iletişimin erken formları olarak kabul edilebilir. Duman ya görünür (açık) ya da görünmezdi (kapalı).

M.Ö. 150'den daha önce bilgi iletimi için ikili rakamların (bitlerin) gruplar halinde (baytlar) organize edildiği kesinlikle tartışılmaz. O dönemde Yunan tarihçi Polybius (bu arada Megalopolis'te doğmuştur) on meşaleyi bir harf için içeren bir sinyal sisteminden bahsetmiştir. 1605 yılına gelindiğinde, yaygın ikili aritmetik tekniklerini kullanarak Francis Bacon, bunu beş bitlik bir harfe indirmiştir, bu da günümüzde bile Avrupa alfabesinin 26 harfinin sıkıştırılmamış dijital iletimi için gereken minimum miktardır.

Bilgiler ne kadar uzağa iletilebilir? Eh, beş meşaleyi görüp pozisyonlarını kesin olarak bilebileceğiniz kadar uzağa. Bu, Robert Hooke için yeterince iyi değildi, çünkü daha büyük mesafeler boyunca mesajlar göndermek istiyordu. 1684'te tepelerdeki kulelerden oluşan bir seri önerdi. Bir kuleden bir diğerine teleskopla bakan kişiler, gördükleri sinyali bir sonraki kuleye iletirlerdi. Bu süreç sonsuza kadar tekrarlanabilirdi.

Hooke’un sistemi, onun ömrü boyunca hiç inşa edilmediğine dair bir gösterge yoktur, ancak Claude Chappe 1790'da bir versiyonunu geliştirdi ve bu sistem sonunda tüm Fransa’yı kapladı ve oradan dünya genelinde yayıldı. Bugün, kolların çeşitli pozisyonlara sallandığı bu sinyal türüne semafor diyoruz. Ancak, mesajlar yüzlerce mil içinde birkaç dakika içinde iletilebildiği için Chappe, sistemini başlangıçta "hızlı yazı" anlamına gelen tachygraphe olarak adlandırmayı planlamıştı; Miot de Melito bunun yerine "uzaktan yazı" anlamına gelen telegraphe önermişti ve Chappe bunu 1792'de benimsemiştir. Bugün, birçok yolculukta Telegraph Hill (Telgraf Tepesi) olarak adlandırılan yerler, görsel telgraf sistemlerinin hatırlatıcısıdır.

Chappe'den önce bile, insanlar telgrafya elektriği uygulamaya çalıştı, ancak o zamanlar mevcut olan bu enerji türleri ya yıldırım (güçlü, ancak pek güvenilir değil) ya da statikti. Bununla birlikte, elektrikli sinyalleşmenin 1736'dan önce gösterildiği ve mesajların 1798'den itibaren İspanyol kraliyet ailesi tarafından Madrid'den Aranjuez'e (yaklaşık 26 mil, yani bir maraton mesafesi) elektrikle gönderildiği mümkün olabilir.

İki yıl sonra, Alessandro Volta dünyayı "Volta Çağı"na getirdi ve pillerle sürekli elektrik akımı kaynakları mevcut hale geldi. Hemen hemen, insanlar elektrik akımını telgraf sorunlarına uygulamaya başladılar. Madrid sistemini kuran Don Francisco Salva, 1804'te suyun hidrojen ve oksijen kabarcıklarına elektrolizi yoluyla bir telgraf mesajı alıcı olarak kullanmayı önerdi.

Gerçekten de, sadece birkaç yıl sonra, Samuel von Soemmerring, gösterge olarak bir su tankında kabarcıkları kullanan çok telli bir telgraf yaptı. Her harf ve sayı için bir tel vardı ve o telden çıkan kabarcıklar iletimi gösteriyordu. Bir bakıma, bu erken bir TV seti olarak kabul edilebilir: İnsanlar, elektrikle iletilen bilgileri izlemek için cam bir yüzeye dikkatle bakıyorlardı.

Ancak, telgraf videografiyi bu şekilde yaratmadı. Münih'teki Rus büyükelçiliğinde diplomat olan Baron Pavel Lvovich Schilling, von Soemmerring'in gösterisini gördü ve elektronik telekomünikasyon fikriyle büyülendi (ancak, NEC’in yakın tarihli Fish Club’ının bir bileşeni gibi görünen uygulama ile değil, ince bir baloncuk tankı, bir HDTV monitörünün önüne yerleştirildiğinde bir akvaryum gibi görünmesini sağlamak için tasarlanmış).

1819'da Danimarkalı fizikçi Hans Christian Oersted, bir telden geçen elektrik akımının bir pusula iğnesini saptırabileceğini keşfetti. Schilling'in ihtiyacı olan tek şey buydu. 1825'te, bir telgraf sistemini oluşturdu ve gösterdi, pusula iğnesi sapmalarının ikili sistemini alıcının göstergesi olarak kullandı.

Ancak, Bacon'ın beş bitlik alfabetik kodunun ötesine geçti. İngilizcede en sık kullanılan harf E'dir. Bir E'yi bir Q veya X ile aynı sayıda bit ile iletmek oldukça israf olurdu. Schilling, bu nedenle, en sık kullanılan harflerin en az biti ve en az kullanılanların en çok biti kullandığı yeni bir kodlama biçimini kullandı (ve icat etmiş olabilir). Bugün, bu veri oranı sıkıştırma biçimine değişken kelime uzunluğu kodlaması diyoruz; o zamanlar sadece Schilling'in telgraf koduydu (daha sonraki Morse Kodu bunun küçük bir varyasyonudur).

Schilling, 1837'de öldü, ancak Profesörler Carl Friedrich Gauss ve Wilhelm Weber'in yanı sıra William Cooke (Charles Wheatstone ile başarılı bir telgraf işinde ortak oldu) ve Gustav Fechner'i etkilemeden önce değil. Cooke ve Wheatstone, Morse'un 1837'deki "başarılı deneyi"nden (bkz. yan çubuk, "What Hath Who Wrought?") önce bile telgraf sistemleri için bir patent aldılar ve telgraflarından biri, Morse'un ünlü "ilk" iletiminden (1844) önce bir suçlunun yakalanmasında önemli rol oynadı (bir yankesicinin trenden kaçtığı haberi bir sonraki istasyona telgrafla iletildi ve burada yakalandı).

Aslında, telgrafya 1844'ten çok önce dünya çapında yayılmıştı. 1839 yılına gelindiğinde, Doğu Hindistan Şirketi tarafından Kalküta'daki Hooghly Nehri boyunca su altına bir telgraf kablosu başarıyla döşenmişti. 1850'de, İngiliz Kanalı boyunca bir telgraf kablosu döşendi. İlk transatlantik kablo 1858'de tamamlandı, ancak operasyon başladıktan yaklaşık iki hafta sonra arızalandı.

CREATING DIGITAL CONTENT - JOHN RICE , BRIAN McKERNAN 2001

30 Ocak 2023 Pazartesi

SmartROTO: Sanatçı katkılı makine ögrenmesi ile rotoskop çalışmalarının etkinleştirilmesi

Foundry, DNEG ve University of Bath tarafından geliştirilen SmartROTO projesi, sanatçı-destekli makine öğrenimi sayesinde rotoscoping (çizgi film stilindeki görüntülerin çekimlerden elde edilen gerçek görüntülerin gerçek zamanlı animasyonu) sürecini hızlandırmayı hedeflemektedir. Projenin amacı, sanatçıların bir dizi şekil ve küçük bir anahtar kare seti oluşturmasını sağlamak ve SmartROTO tarafından, aralıklar arasındaki anahtar karelerin belirlenmesini hızlandırmaktır.

Projenin başarısı, veri kümesinin kalitesi, çeşitliliği ve büyüklüğüne bağlı olduğundan, proje süresince veri paylaşımı ve sanatçı katılımı gibi birçok zorlukla başa çıkmaya çalışılmıştır. Şu anda proje tamamlanmış durumda ve makine öğrenimi ile rotoscopingin geleceği hakkında ne öğrendiğimizi öğrenmek için Foundry'nin Araştırma Mühendislik Yöneticisi Ben Kent ile DNEG ve University of Bath üyelerinden oluşan anahtar üyelerle görüşüldü.

Öğrenilen dersler

Ben, Foundry'un A.I.R (AI Araştırması) ekibinin önemli bir üyesi olarak 2019'da projenin başlangıcından bu yana çalışmıştır ve SmartROTO'nun geçtiğimiz 24 aydaki gelişim ve ilerlemesi hakkında derin bir bilgi sahibidir.
“Harika bir öğrenme deneyimi oldu” diyor bize. "Ana öğrenme, rotoskoplamanın çok zor olduğu ve gelecekte insanların mutlaka devreye gireceğidir. SmartROTO gibi bir projeye başlamadan önce rotoskoplama sürecinde dikkate alınması gereken çok sayıda konu var."
“Örneğin, sanatçılar şekillerinin köşelerini ve kenarlarını görüntü özellikleri ve kenarlarına göre zorunlu olarak koymazlar; aksine, şeklin ortasını başka bir yere koymayı tercih edebilirler, bu da daha zor izlenebilen çeşitli kenar durumlarına neden olur. Bu, hareket bulanıklığı olan nesnelerin rotoskoplama ve şeklin yaşam süresinin bazı kısımlarında gizlenmesi gibi diğer zor durumlarla karışınca daha da zorlaşır. ”
“Sonuç olarak, sanatçıların çalışma şekillerini çevreleyerek çalışmak zorunda olduğumuzu anladık. Bu, projenin ilerlemesi hakkında düşündüğümüzden daha fazla sanatçıların gerçekten nasıl çalıştıklarını öğrendik. ”
Projenin ilerlemesi hakkında konuşurken, Ben devam ediyor:

“Sonunda ulaştığımız genel yaklaşım başlangıçta planladığımızla oldukça benzer. Hala makine öğrenimi tabanlı izleme ve şekil tutarlılığı modeli; hala kullanıcının başlangıçta şekillerini ve birkaç başlangıç anahtar çerçevesini ayarladığını hayal ediyoruz. SmartROTO ile bu modeli kullanarak, anahtar çerçeveler arasındaki zamanı ayarlamak ve düzenlemek için aralarında interpolasyon veya izlenen anahtar çerçevelerden daha iyi tahminler yapmaya çalışıyoruz. ”
“Görsel efektlerde rotoskoplama görevinin çok yaygın olduğunu düşündüğümüzde, sanatçıların zamanını %25'e kadar tasarruf etmek mümkünse, bu gerçekten değerli olacaktır.”

Takım çalışmasının önemi

DNEG ve UoB'nin bu amaca ulaşmada ve SmartROTO'nun genel gelişiminde çok önemli rolleri vardı.

Büyük bir, adanmış roto ekibi olan DNEG, öğrenme algoritması için gerçek üretim roto sanatı için gerçekten dev bir veri kümesi sağlamak için benzersiz bir konumdaydı. Veri kümesi, 650.000'den fazla sanatçı animasyon şekli ve 1,25 milyon kullanıcı anahtar çerçevesi içeriyordu. Rotoskopinin kendisi bir sanatsal süreç olarak geldiğinde, stüdyo, SmartROTO'nun rotoskop sanatçısına daha iyi bir iş akışı ve daha iyi bir yaşam kalitesi sağlayabileceğini anlamak için derin bir zenginlik getirdi.

DNEG'nin katılımını denetleyen Ted Waine, R&D Müdürüydü.
“Ürünün özellik kümesini ve Kullanıcı Arayüzü / Kullanıcı Deneyimi'ni belirleyerek projeye liderlik etmeye yardımcı olmaktan memnuniyet duydum” diyor bize.

SmartROTO gibi bir projenin endüstride ne gibi bir etki yaratacağını sormak üzere, Ted düşüncelerini hızlıca özetliyor. 
“Daha hızlı ve daha akıllı roto araçları üreterek, onaylanmış roto mattelerinin teslimatını hızlandırabilir ve sanatçıların kendileri için süreç daha keyifli ve daha az zahmetli hale getirebiliriz” diyor. “Bu doğrudan maliyet tasarruflarına ve önemli olarak roto çalışmasına bağlı olan aşağı akış görevlerinde olumlu bir etkiye yol açar.”
SmartROTO projesinin tamamlanması için işbirliği önemli bir unsurdu ve herkes için etkileşimli, holistik bir araştırma ortamı oluşturdu.
“University of Bath ve Foundry'den araştırma ekipleriyle çalışmak ilham verici” diyor Ted. “ML tekniklerinin çekirdeğindeki matematiğin bu sorun alanını ve nasıl çözüleceğini anlamaları gerçekten etkileyici ve çalışan bir çözüm geliştirme yaklaşımlarını izlemek harika.”
UoB'den Makine Öğrenmesi ve Görsel Hesaplama Okuyucusu Neill Campbell'ın açıklamaları Ted'in noktasını destekliyor:
“Foundry ve DNEG araştırma ekipleriyle doğrudan çalışmak, gerçek fikirlerin paylaşımı ve anlaşılmasıyla harika bir deneyimdir - endüstrinin karşılaştığı ilgili ve zorlu sorunları nasıl çözebileceğimizi ve bunları çözmek için yeni ve heyecan verici teknolojileri getirebileceğimizi, aynı zamanda son kullanıcılarla doğrudan çalışarak onların hayatlarını kolaylaştıracak sonuçlar sunabileceğimizi anlayabiliriz.”
UoB, projenin iki ana alanına odaklandı. İlki, sistemin teknik tasarımına katkıda bulunmak için, son makine öğrenme modellerinin nasıl kullanılacağını ve mevcut iş akışlarına ve boru hattına nasıl entegre edileceğini içeriyordu. İkinci odak alanı, makine öğrenme sistemlerinin nasıl geliştirileceğini araştırmak için uyumlu bir çalışmaydı. Orijinal görüntülerin gizlilik ve / veya Fikri Mülkiyet kısıtlamalarını koruyarak veri kümelerinde eğitilebilecek makine öğrenme sistemlerinin geliştirilmesi. “Örneğin, biz bir belirli görev iyileştirmek için (örneğin, segmentasyon veya nesneleri izleme gibi) veri tabanlarındaki görüntüleri eğitmek istiyoruz ancak kayıt eğitim görüntüleri paylaşılamaz çünkü Fikri Mülkiyet anlaşmaları tarafından korunabilir. Neill yorumlar. 
“Bu çalışmanın bir parçası olarak, her iki şirketin Fikri Mülkiyet kısıtlamalarını tehlikeye atmadan dışarıya (örneğin, şirketler arasında) makine öğrenme sonuçlarının paylaşılmasına izin verecek standart eğitim prosedürlerine birkaç öneri geliştirdik.”

Veri gizliliği sorunu

UoB'nin IP ve veri paylaşım alanındaki çalışmaları, SmartROTO gibi bir projenin başarısı için çok önemlidir. Makine öğrenimi özelliklerini rotoskop gibi işlemlerde kullanmak için stüdyoların hazır erişim sağlaması gereken devasa veri kümelerine sahip olmaları gerekir, çünkü sonuçların kalitesi sistemin eğitildiği veri miktarı, çeşitliliği ve kalitesine bağlıdır. Bu sorunu çözmek, SmartROTO'nun önemli bir direğini oluşturdu.
"Projenin bir parçası, veriyi anonimleştirmekti, böylece stüdyolar potansiyel olarak ortak bir sunucuda paylaşabilirlerdi - yerel olarak eğitecekler ve ağırlıkları merkezi bir yerde güncelleyeceklerdi," 
diyor Foundry'nin Ben Kent. 
"Ve anonimleştirme transferini tam olarak yapmak çok zor olmasına rağmen, potansiyel bir sonuç stüdyoların kendi ağlarını eğitmek için araçlara sahip olmaları ve SmartROTO'yu yapmak için mühendislik yapmaları olabilir. Bu neredeyse stüdyoların kendi verileriyle dolduracakları boş bir siyah kutu gibidir. Sonuçta, bu tümünde, herkes için çalışan bir çözüm bulmaktan bahsediyoruz."
Neill Campbell, bu çözüme ulaşmanın sadece zamanla elde edilebileceğine inanıyor, UoB'nin yaptığı çalışma tarafından desteklenen bir inanç: 
"Heyecan verici olan şey, AI'yı bir görev gerçekleştirmek için eğitmek için kullanılan özel örnek görüntüleri gizlemek için farklı bir kurulumda olmamız. Çünkü bir görevi gerçekleştirmek için çok farklı yollar vardır, amacımız gösterildiğimiz gibi sadece iyi performans gösteren bir yaklaşım değil, geniş bir görüntü aralığında iyi performans gösteren bir yaklaşım seçmektir."
"Bu hedefi gerçekleştirirsek, aslında hem eğitim sürecinden geriye doğru çalışamayacağınız hem de performansın feda edilmeyeceği iki hedefi de gerçekleştiriyoruz," diyor. "Gizlilik konusundaki bu teorik çalışma buzdağının sadece ucu ve bu iletişim bilimleriyle işbirliği içinde çalışmak üzere araştırma bursları başvurmak için açılan birçok yol açtı. Yeni sonuçlar elde edildikçe, bunları endüstriyel ortaklarla kullanmak için pratik uygulamalara dönüştürmeyi umuyoruz."
IP ve veri paylaşımı sorunuyla birlikte, ML çerçevesinin VFX akışına dağıtılması, kendi başına bir dizi zorlukları beraberinde getirir. Geleneksel olarak, yazılım sürüm döngüleri, GPU maliyeti ve dağıtılan ML ağlarının etkileşimsizliği akışa entegrasyonunu zorlaştırmıştır.

Ancak SmartROTO ile bu konuda biraz ilerleme kaydedildi, Ben gururla belirtiyor: 
"SmartROTO ile algoritmik tarafında daha ileri gittik ve ne olması gerektiğini gerçekten iyileştirdik."
 Sonuç, PyTorch'a kaymak oldu - bir makine öğrenimi çerçevesi - bu da VFX akışına ML dağıtmanın daha kolay hale gelmesini sağladı ve Foundry araçlarında gerçek ML özelliklerinin geliştirilmesine yol açtı.

Geleceğe daha akıllı bir şekilde bakıyoruz.

Gelecekte daha akıllı bir geleceğe bakarken, SmartROTO projesinin nereye kadar gittiğini düşünüyoruz?
“Sonuçları görmek için SmartROTO'nun şimdi mi yoksa gelecekte mi devam etmesi gerektiğini görmek için çalışmalarımızı yapmalıyız” 
diyor Ben. Ancak, sonuçlar ne kadar olumlu olursa olsun, SmartROTO'nun ürünleştirilmesi hala uzun bir yol kat edilmesi gereken bir süreçtir, diyor: 
“Hala çok daha fazla iş var - örneğin yeniden eğitim. Rotoskop sürecini ve rotoskoplama kendisini otomatikleştirmek çok zor ve henüz oraya ulaşamadık. Ancak, sanatçılar için ne kadar önemli olduğunu ve zamandan tasarruf potansiyelinin ne kadar büyük olduğunu biliyoruz, bu yüzden umut ediyorum ki gelecekte bunu çözeceğiz. Rotoskoplama VFX'de çok yaygın olduğu için, bunu mutlaka yeniden gözden geçirmek istiyoruz.”

Ana ders öğrendiğimiz şey

    Rotoskoplama çok zor. Makineler yakında sanatçıların yerini almayacak. Ve SmartROTO ile bir şeyler çalışıyor olsa da, şu anda sanatçının güvenebileceği kadar güçlü değil - ve sanatçı deneyimi bizim için önemlidir. SmartROTO, konvansiyonel yaklaşımların yetersiz kaldığı yerlerde kesinlikle değerli bir araç olacak. Giderek daha güçlü GPU'larla, SmartROTO, Nuke veya Noodle gibi rotoskoplama uygulamalarıyla kusursuz bir şekilde entegre olacak. Foundry, UoB ve DNEG, SmartROTO'yu bir adım daha ileri taşımak için birlikte çalışmaya devam etmekten heyecan duyuyor. UoB'nin Neill Campbell'ının yorumlarıyla, CAMERA araştırma merkezimiz aracılığıyla Foundry ve DNEG ile takip eden makine öğrenimi projelerinde çalışmaya devam edeceğiz ve gelecekteki iş akışlarına, ancak aynı zamanda sanal üretim gibi yeni alanlara da yeni araştırmalarımızı entegre etmeyi planlıyoruz. DNEG'in Ted Waine de gelecekteki gelişmelere dönük heyecanlı: "DNEG'in araştırma ekibi, ML algoritmalarını geliştirme alanında da uzmanlık sahibi, tasarımını daha da geliştirmek ve iterasyon yapmak için çalışmaya devam edebilir. Diğer ortaklarla etkileşim devam etmek ve geliştirmeye devam etmek için umut ediyoruz." Foundry, ML'yi sanatçılara erişilebilir hale getirmek için sürekli çalışıyor ve karmaşık algoritmaları kullanarak zor teknik problemleri çözmek için sanatçı dostu bir şekilde kullanılabilir hale getiriyor. Yukarıda belirtildiği gibi, Nuke 13'e ML'yi entegre ettik ve sanatçılara tam yaratıcı ve teknik kontrol sağlamak ve son piksel-mükemmel görüntüye ulaşmak için süreci hızlandırmak için. Foundry'nin araştırma ekibi SmartROTO'yu gerçekleştirmek için çalışırken, bugün Nuke ile CopyCat'a girişin ve ML hızlandırılmış iş akışlarının potansiyelini kendiniz deneyin.

9 Mart 2020 Pazartesi

Mavi Kalemin gizemi - Fotoğraflanamaz Mavi veya Repro Olmayan Mavi

Çok sevdiğiniz ve hayranı olunduğunuz eski çizi roman veya animasyonların eskizlerini hiç görme şansınız oldu mu ? veya İnternet üzerinden sevdiğiniz eski kurt çizenlerin eskizlerini ? cevap ise ve birazda bu işlere merakınız varsa bir çoğunun açık renkli mavi kalem kullanarak eskiz attıklarını görmüşsünüzdür. bundan tam 6 sene önce meraklı bir animasyon öğrencisiyken bu kalemin işlevini kafaya takmıştım. mavi kalemle eskiz atan çizerlere bunu soruyor ve tatmin edici yanıtlar alamıyordum.bir gün animasyon ile alakalı başka bir konuyu tartışmak üzere iletişim fakültesindeyken şuan ismini hatırlayamadığım bir öğretim görevlisi mavi kalemin işlevini "mavi kalem fotokopi makinesinde çıkmıyor onun için kullanılıyor"demişti. bunun üzerine o zaman kısa bir araştırma yapmıştım. aradan geçen 6 sene sonra bu araştırmada aldığım notlara rastladım ve burada paylaşmanın faydalı olacağını düşündüm.



(1) Mavi Kalem
(2) Tükenmez kalem
(3) Mavi Kalem fotokopi çıktısı
(4) Tükenmez kalemin fotokopi çıktısı
Scientific29 -2009
Fotoğraflanamaz Mavi veya Repro Olmayan Mavi:
grafik tasarım ve baskı endüstrisinde kullanılan yaygın bir araçtır .

Fotoğraf olmayan mavi, grafik sanatlar kamera filmi tarafından algılanamayan belirli bir mavi tonudur. Bu renk özellikle kullanılır çünkü bazı litografik veya fotoğrafik çoğaltma işlemlerinde gösterilmez (pozlanmaz)

Mavi kalem, yazılı bir kopyadaki düzeltmeleri göstermek için geleneksel olarak bir editör veya kopya editörü tarafından kullanılan bir kalemdir. bu kalem baskı içeriğinde (fotoğraflanacak ve basılacak çizim üzerinde) gösterilmeyecek şekilde editörlere notlar yazmasına olanak tanır.

Bunun dışında çizerler mavi kalemle attıkları eskizleri çiniledikten sonra eskizi tekrar silmelerine gerek kalmadan fotoğraflayabiliyorlar. animatörler ise prova için filme veya teype alıyorlar.

Benzer nedenlerle, bazen kırmızı kalemler kullanılır, çünkü pigmentleri fotokopi ile çoğalmaz.
Basın sektörü dijital araç ve bilgisayarlara geçildiği için gerçek mavi kalemler çok nadir görülür.

Mavi Kalem - Amy Lavine 2014
fakat mavi kalemin yöntemi günümüzün dijital çağında da kullanılmaktadır. Çizerler dijital tarama veya photoshop'ta mavi kalemle atığı eskizleri RGB kanallarından maviyi kapatarak veya Kontrast , Seviye ve pozlamayı kullanarak kaybediyorlar. ayrıca bir çok dijital tarayıcı hala mavi kalemin rengine duyarlı


Mavi kalem dijital çağdan önce o kadar yaygınmış ki hukukta bununla ilgili bir terim bile mevcut: "Mavi kalem testi , hukuk mahkemeleri tarafından sözleşme yükümlülüklerinin kısmen uygulanıp uygulanamayacağına karar vermenin bir yöntemi olarak kullanılmaktadır."

28 Ağustos 2019 Çarşamba

Makale: Portre Eskizlerinde Stil ve Soyutlama

Bir insan yüzünü çizerken hem tarzı hem de soyutlamayı incelemek için veri odaklı bir yaklaşım kullanıyoruz. Çok sayıda sanatçının verilerini toplar ve analiz ederiz, bir referans fotoğrafından insan yüzünü çizer.




21 Temmuz 2013 

ACM SİGGRAPH 2013



Yazarlar

Itamar Berger (Disney Araştırma / Disiplinlerarası Center Herzliya)
Ariel Shamir (Disney Araştırma / Disiplinlerarası Merkez Herzliya)
Moshe Mahler (Disney Araştırması)
Elizabeth Carter (Disney Araştırma / Carnegie Mellon Üniversitesi)
Jessica Hodgins (Disney Araştırma / Carnegie Mellon Üniversitesi)




Portre Eskizinde Stil ve Soyutlama-Resim İnsan yüzünü çizerken hem stil hem de soyutlamayı incelemek için veri odaklı bir yaklaşım kullanıyoruz. Çok sayıda sanatçının verilerini toplar ve analiz ederiz, bir referans fotoğrafından insan yüzünü çizer. Eskizlerde farklı soyutlama seviyelerine ulaşmak için, dört buçuk dakikadan on beş saniyeye kadar azalan zaman sınırları uygulanmıştır. Verileri iki düzeyde analiz ettik: vuruş ve geometrik şekil. Her birinde, hem farklı sanatçıların tarzını hem de soyutlama sürecini yakalayan bir model yaratıyoruz. Bu modeller daha sonra portre eskiz sentezi uygulaması için kullanılır. Yeni bir yüz fotoğrafından başlayarak, çeşitli sanatsal stillerde ve farklı soyutlama seviyelerinde bir kroki sentezleyebiliriz.



20 Ağustos 2019 Salı

Japon animatörleri ne kadar kazanıyor?

Farklı ülkelerdeki animatörler ne kadar kazanıyor?
İşte Japonya'dan bazı bilgiler. Stüdyo Xebec'deki bir çalışan üç aylık çalışma için hazırlanan maaş çekini paylaştı. Stüdyoda kendisine 131.330 yen (1.103 $) aylık ödeme teklifinde bulunuldu. Teması için öngörülen şartlar, 130.000 yen (1.092 $) temel ücret ve seyahat masraflarını karşılamak için 3.970 yen (33 $) vergi indirimi olmak üzere ek bir 5.30000 yen (44.50 $) oldu.


İşin komik yanı, asıl çalışma saatlerinin “24 saat içinde olabildiğince” olarak tanımlanmasıydı. Çalışan aynı zamanda her ayın sonunda elle doldurulmuş bir zaman çizelgesini de vermek zorunda kaldı.

Bazı kamu iş ilanlarına göre durum, anime endüstrisi için yaygın gibi görünüyor. Animasyon stüdyosu ARMS, örneğin bir üretim asistanı için ayda 145.000 yen (1.150 $) ödeme yapan bir giriş seviyesi pozisyonu önerdi. İş, olası fazla mesai süresiyle haftanın altı günü 8,5 saatlik bir çalışma günü ima etti.

Japan Animation Creators Association (röportaj yapılan 759 animatör) tarafından yapılan bir çalışmada, animatörlerin 2013 yılında Japonya'da ortalama 3.3283 milyon yen (yaklaşık 27.689 ABD Doları) kazandığı belirtildi.

17 Ağustos 2019 Cumartesi

Makale: Karakter Animasyonu için Kontrollerin Teget Uzay Optimizasyonu



Animasyondaki enterpolasyonların kontrolünü zaman içinde konumsal sınırlamalar ile animasyon kontrollerini yönlendiren eğrilerin teğetsel uzayındaki bir uzay-zaman optimizasyon problemi olarak formüle ediyoruz.

12 Temmuz 2019 
ACM Siggraph 2019



Yazarlar

Loic Ciccone (ETH Zürih)

Cengiz Öztireli (Disney Araştırması)

Robert W. Sumner (Disney Araştırması / ETH Zürih)



Özet

Animasyon karakterleri zaman içinde enterpolasyon yapan anahtar karelere dayanır. Çağdaş bir iş akışında, animatör ilk olarak bazı anahtar karelere kontroller yoluyla bir karakter kazandırmak için ileri ve geri kinematik kombinasyonlarını kullanır ve kontrolleri hassas ayar için süren animasyon eğrilerini ayarlar. Bu anahtar kare kontroller daha sonra animasyonu elde etmek için enterpolasyonludur. İleri kinematik sezgisel enterpolasyonlara yol açarken, konumsal kısıtlamalar uygulamak ve dolayısıyla örneğin temas noktaları belirlemek mümkün değildir. Ters kinematik, ana karelerdeki uzayda belirli noktaları sabitlemek için kullanılabilir, ancak alt enterpolasyonlara yol açabilir ve ana kare olmayan karelerdeki konumsal kısıtlamalara izin vermez. Bu sayfada, Bu problemleri, kontrol interpolasyonunu zaman içinde pozisyonel sınırlamalarla formüle ederek, kontrolleri yönlendiren animasyon eğrilerinin teğet uzayında bir uzay-zaman optimizasyon problemi olarak çözüyoruz. Metodumuz, (1) sanatçı tarafından düzenlenebilir animasyon eğrilerinin alanı içerisinde çalıştığı ve bu nedenle mevcut boru hatları ile sorunsuz bir şekilde bütünleştirildiği, (2) yeni anahtar kareler eklemeyen ve (3) zaman içindeki pozisyonların konumsal yörüngelerine izin veren anahtar özelliklere sahiptir. , ters kinematik genişletme. Tekniğin pratikteki kullanımını çeşitli örnekler ve kullanım durumları ile ortaya koyuyoruz. ve (3) zaman içinde konumsal yörüngelere, ters kinematiği uzatarak izin verir. Tekniğin pratikteki kullanımını çeşitli örnekler ve kullanım durumları ile ortaya koyuyoruz. ve (3) zaman içinde konumsal yörüngelere, ters kinematiği genişletmeye izin verir. Tekniğin pratikteki kullanımını çeşitli örnekler ve kullanım durumları ile ortaya koyuyoruz.




12 Ağustos 2019 Pazartesi

Derin Öğrenme Poz Tahmin Aracı


Nekki , yeni derin öğrenmeye dayalı aracı tanıtan Cascadeur'un ikinci teaser'ını paylaştı.

Yeni 80 saniyelik video, benzersiz “Derin Öğrenme Poz Tahmin Aracı” nın ilk testlerini gösteriyor. Temel olarak, video, animasyon düzenleme süreciyle uğraşırken derin öğrenme araçlarının sağlayabileceği olasılıklara bir bakış açısı sağlar. Nekki, Cascadeur'daki karakter animasyonu iş akışının diğer birçok yönü için derin öğrenme algoritmaları kullanmayı planlıyor.

Ekip, “Poz tahmin aracımız hala erken alfa aşamasında ve şu ana kadar sadece standart karakter teçhizatıyla (Cascadeur beta sürümünde dahil) çalışıyor” dedi. “Yine de, zaten deneme amaçlı olarak tüm beta testçilerimiz için kullanıma sunmaya karar verdik.”

Kayıtlı Cascadeur beta test cihazlarının önümüzdeki birkaç gün içinde alfa poz tahminini içeren güncellenmiş beta sürümünü otomatik olarak alacağını lütfen unutmayın. Cascadeur'un kapalı beta sürümüne kaydolmak istiyorsanız, bunu cascadeur.com adresinde yapın .