3D内容创作的迅猛发展，涵盖了AI驱动的方法与传统工作流程，正推动对自动绑定（rigging）解决方案的空前需求，以应对日益复杂和多样化的3D模型。清华大学提出了UniRig，一个新颖的统一框架，用于自动骨骼绑定。该方法结合了大型自回归模型的能力与骨点交叉注意力机制，不仅能生成高质量的骨骼结构，还能准确计算蒙皮权重（skinning weights）。（链接在文章底部）

UniRig方法可以无缝应用于不同种类的对象，从精细的动漫角色到复杂的有机和无机结构，展现了强大的适应性与鲁棒性。通过自动化这一耗时又繁琐的绑定过程，UniRig有望以前所未有的效率加速动画制作流程。尽管 UniRig 展现出强大的能力，但仍存在一些局限性。与其他基于学习的方法一样，UniRig 的性能在很大程度上依赖于训练数据的质量与多样性。虽然 Rig-XL 是一个规模庞大且多样的数据集，但它仍无法涵盖所有可能存在的骨架结构和对象类别。

01 技术原理

UniRig 框架的整体结构主要包括两个阶段：（a）骨架树预测 和（b）蒙皮权重预测。（a）在骨架预测阶段，输入为从3D网格中采样得到的点云，首先通过形状编码器（Shape Encoder）提取几何特征。这些特征连同可选的类别信息一并输入到自回归的Skeleton Tree GPT模型中，生成表示骨架树的标记序列。随后，该标记序列被解码为层级化的骨架结构。

（b）在蒙皮权重预测阶段，输入包括来自（a）阶段预测得到的骨架树和点云。逐点编码器（Point-wise Encoder）从点云中提取特征，骨骼编码器（Bone Encoder）则处理骨架树。随后，这些特征通过骨点交叉注意力机制（Bone-Point Cross Attention）进行融合，用于预测蒙皮权重和骨骼属性。最终，预测得到的绑定结果可用于驱动网格动画。

为训练和评估UniRig，构建了一个名为Rig-XL的大规模数据集，包含超过14,000个已绑定的3D模型，涵盖了各种类别，展示了不同类型骨架的分布情况以及骨骼数量的分布情况。

02 演示效果

尽管 UniRig 拥有出色的性能，但其预测结果可能会出现偏差或失准。尤其是在处理结构极其抽象或风格化程度极高的角色时，UniRig 可能难以生成准确且合理的骨架配置。

UniRig 在蒙皮权重预测方面的精度，尤其是在如头发这类细节上，相较于以往方法表现更优。UniRig 在更复杂示例（如蚂蚁）上的高精度骨架绑定和优异的权重生成效果。

https://github.com/VAST-AI-Research/UniRig
https://zjp-shadow.github.io/works/UniRig/static/supp/UniRig.pdf
https://huggingface.co/VAST-AI/UniRig

欢迎交流～，带你学习AI，了解AI