清华大学联合vast ai开源3D骨骼化框架UniRig，自动绑定效果超赞～

Cherry Xie

于 2025-04-24 18:17:38 发布

阅读量910

点赞数 23

分类专栏：业界资讯人工智能文章标签：人工智能 3d

本文链接：https://blog.csdn.net/qq_42691309/article/details/147463061

版权

人工智能同时被 2 个专栏收录

84 篇文章

订阅专栏

业界资讯

36 篇文章

订阅专栏

简介

在这里插入图片描述

UniRig 的开发背景源于 3D 动画和内容创作领域的实际需求。随着元宇宙、游戏开发和数字内容生产的快速发展，3D 模型的需求呈爆炸式增长。然而，骨骼绑定（rigging）——为 3D 模型创建骨骼并分配蒙皮权重——是一个复杂且耗时的过程，通常需要专业技能和大量手工操作。例如，手动绑定一个复杂模型可能需要数小时甚至数天，且对非标准拓扑（如动物或无机物）尤其困难。

UniRig 由清华大学和 VAST-AI（Tripo）联合开发，目标是自动化这一流程，提供一个统一的框架，适用于多样化的 3D 模型，包括人类、动物、虚构角色和无机结构。项目于 2024 年底发布，2025 年 4 月开源，受到社区关注（GitHub 仓库活跃，X 平台讨论热烈，如 @Gorden_Sun
提到其在 3D 影视和游戏中的可控性）。UniRig 的核心创新在于将大型语言模型（LLM）的自回归思想应用于骨骼绑定，显著提高了效率和准确性，论文《One Model to Rig Them All: Diverse Skeleton Rigging with UniRig》详细阐述了其方法。

市场需求与痛点

在这里插入图片描述

多样性挑战：现有绑定方法（如 Autodesk Maya 的自动绑定工具）对非标准拓扑（如四足动物或机械结构）表现不佳。
效率瓶颈：手动绑定耗时，限制了大规模内容生产（如元宇宙中的虚拟角色生成）。
数据支持：缺乏大规模、多样化的绑定数据集，限制了自动化研究。

项目目标

自动化生成高质量骨骼和蒙皮权重，支持从简单的人形模型到复杂的无机物。

提供开源框架，降低开发者和动画师的技术门槛。

通过 Rig-XL 数据集（14,000+ 模型）推动学术和工业研究。

技术原理

在这里插入图片描述

UniRig 的技术架构分为两个主要阶段：骨骼预测和蒙皮权重预测，结合了大型自回归模型、骨骼树标记化（Skeleton Tree Tokenization）和骨骼-点交叉注意力机制。以下是详细原理：

骨骼预测（Skeleton Prediction）

输入：从 3D 网格采样的点云，包含几何信息，可选的类别信息（如“人类”或“动物”）。
处理流程：

形状编码器（Shape Encoder）：提取点云的几何特征，生成表示模型形状的特征向量。
骨骼树 GPT（Skeleton Tree GPT）：使用 GPT 风格的 Transformer，通过自回归方式逐一预测骨骼关节，形成拓扑有效的骨骼层次结构。
骨骼树标记化（Skeleton Tree Tokenization）：核心创新，将复杂骨骼结构编码为线性序列，包含：
- 关节坐标：离散化的空间位置，确保几何精度。
- 层次结构：定义父子关系，保证骨骼树的拓扑有效性。
- 语义信息：标记骨骼类型（如主骨骼、IK 控制器、物理骨骼）。
解码：将生成的标记序列解码为完整的骨骼层次结构。

技术亮点：

自回归模型将骨骼生成视为“语言”生成任务，类似 LLM 处理文本序列。
骨骼树标记化解决了复杂层次结构的编码难题，适应多样化模型。

蒙皮权重预测（Skinning Weight Prediction）

输入：骨骼预测阶段生成的骨骼树和原始点云。
处理流程：

点编码器（Point-wise Encoder）：提取点云的局部和全局几何特征。
骨骼编码器（Bone Encoder）：处理骨骼树的结构和语义信息。
骨骼-点交叉注意力机制（Bone-Point Cross Attention）：
- 结合点云和骨骼特征，计算每个顶点受周围骨骼的影响权重。
- 生成平滑、自然的蒙皮权重，确保动画时皮肤变形真实。
附加属性预测：为特定骨骼（如物理骨骼）预测物理参数（如弹簧系数），支持高级动画效果。