UniRig 是由清华大学与 VAST-AI 联合开发的开源自动骨骼绑定框架，旨在为多样化的 3D 模型提供统一、高效的自动绑定解决方案。​ 该工具利用大型自回归模型和骨点交叉注意力机制，自动生成高质量的骨架结构和蒙皮权重，适用于游戏、动画、虚拟现实等领域。

核心功能

  • 骨架树预测：​ 通过自回归 Transformer 模型，结合创新的 Skeleton Tree Tokenization 方法，从点云数据中生成拓扑有效的骨架结构。
  • 蒙皮权重与属性预测：​ 利用 Bone-Point Cross Attention 机制，预测每个顶点的蒙皮权重及相关骨骼属性，确保动画的自然性和准确性。
  • 广泛的模型适应性：​ 适用于各种类型的 3D 模型，包括人类、动物、虚构角色等，具备高度的通用性和鲁棒性。
  • 高精度与高效率：​ 在挑战性数据集上，UniRig 的绑定精度提高了 215%，动画精度提高了 194%，显著优于现有的学术和商业方法。​

技术架构

UniRig 的工作流程分为两个主要阶段：

  1. 骨架预测阶段：

    • 输入：从 3D 网格中采样的点云数据。
    • 处理：通过形状编码器提取几何特征，并输入自回归模型生成骨架树的标记序列。
    • 输出：解码生成的标记序列，构建层次化的骨架结构。

  2. 蒙皮权重预测阶段：

    • 输入：预测得到的骨架树和点云数据。
    • 处理：分别通过点编码器和骨骼编码器提取特征，结合骨点交叉注意力机制，预测每个顶点的蒙皮权重和骨骼属性。
    • 输出：用于动画的完整绑定结果。

数据集支持

为训练和评估 UniRig，研究团队构建了 Rig-XL 数据集，包含超过 14,000 个绑定的 3D 模型，涵盖广泛的类别和骨架结构，支持模型的泛化能力和多样性。

应用场景

  • 游戏开发中的角色绑定与动画制作。
  • 动画电影和虚拟现实中的 3D 模型处理。
  • AI 驱动的 3D 内容生成与编辑。
  • 教育和研究中的 3D 模型分析与处理。​

以上。