UniRig

UniRig是什么

UniRig是由清华大学计算机系与VAST联合开发的一种创新性自动骨骼绑定框架，旨在处理复杂多样的3D模型。该框架基于大型自回归模型和骨骼点交叉注意力机制，能够生成高质量的骨骼结构及蒙皮权重。为支持训练和评估，研究团队构建了Rig-XL数据集，包含超过14,000个不同类别的3D模型。UniRig在骨骼绑定精度和运动表现方面优于现有学术和商业解决方案，适用于从动漫角色到复杂有机与无机结构的多种对象类型，显著提升动画制作效率。

UniRig的主要功能

• 自动骨骼生成：为各类3D模型（如人物、动物、虚构角色）生成拓扑合理的骨骼树。
• 蒙皮权重预测：预测每个骨骼对网格顶点的影响权重，确保变形自然。
• 多样化模型支持：兼容多种类型的3D模型，包括复杂的有机与无机结构。
• 提升动画效率：减少手动操作，提高动画制作的效率。
• 动态效果支持：生成支持物理模拟的骨骼属性，如弹簧骨骼。

UniRig的技术原理

• 骨骼树标记化：将骨骼树结构转换为序列化标记，便于自回归模型处理。通过特殊标记表示骨骼类型，并利用DFS算法提取线性骨骼链，从而缩短序列长度，提升模型效率。
• 自回归模型：基于Transformer架构的模型（如Skeleton Tree GPT）逐个生成骨骼标记，构建有效的骨骼结构。
• 骨骼点交叉注意力机制：结合点云与骨骼特征，通过交叉注意力机制预测蒙皮权重。
• 大规模数据集：Rig-XL数据集包含14,000多个3D模型，涵盖多种类别，增强模型泛化能力。
• 物理模拟辅助训练：通过物理模拟评估骨骼属性的合理性，提升动画真实感。

UniRig的项目地址

• 项目官网：https://zjp-shadow.github.io/works/UniRig/
• GitHub仓库：https://github.com/VAST-AI-Research/UniRig
• HuggingFace模型库：https://huggingface.co/VAST-AI/UniRig
• arXiv技术论文：https://zjp-shadow.github.io/works/UniRig/static/supp/UniRig.pdf

UniRig的应用场景

• 动画制作：实现快速骨骼绑定，减少人工干预，提升制作效率。
• 虚拟角色：为VTuber等虚拟角色提供自然流畅的骨骼绑定。
• 游戏开发：支持动态效果，提升游戏视觉表现。
• 3D内容创作：适用于建筑设计、工业设计等领域。
• 教育领域：作为教学工具，帮助学习者理解骨骼动画原理。