別再手動擺骨頭了用UniRig一鍵為3D模型自動生成完整骨骼綁定【免費下載鏈接】UniRig[SIGGRAPH 2025] One Model to Rig Them All: Diverse Skeleton Rigging with UniRig項目地址: https://gitcode.com/gh_mirrors/un/UniRig凌晨兩點外包美術遞來的那條低模龍的綁定文件脖子彎起來還是穿?！趋澜壎ㄒ廊皇?D動畫管線里最磨人的環(huán)節(jié)之一。UniRig是清華大學和Tripo在SIGGRAPH 2025放出的統(tǒng)一自動骨骼綁定框架它能為任意3D模型自動生成骨骼層級和皮膚權重整個流程只需要跑三個腳本。UniRig項目定位一個框架搞定3D模型自動綁骨先說清楚它是什么UniRig是SIGGRAPH25TOG論文《One Model to Rig Them All》的官方開源實現(xiàn)由清華大學與Tripo聯(lián)合開發(fā)。它跟傳統(tǒng)自動綁定工具最核心的區(qū)別就一個詞——統(tǒng)一人形、四足、鳥類甚至拓撲很奇怪的無生命物體都走同一個模型不用按類別切換不同管線骨骼預測和皮膚權重預測也在同一個框架里完成而不是把兩套系統(tǒng)縫在一起用。上圖是項目主視覺熊、龍、長頸鹿、蜥蜴等各類模型全部由UniRig自動完成骨骼綁定模型表面清晰可見自動生成的骨骼結(jié)構(gòu)覆蓋了大量不同拓撲的自動綁骨測試案例。 UniRig技術原理直觀解讀骨架樹Token化方法怎么工作怎么理解它的工作方式打個比方用過AI寫作工具的都知道你輸入一句開頭模型一個token一個token地往后接龍。UniRig的骨骼預測干的就是這件事——把模型3D幾何編碼成一段提示詞然后讓一個GPT式的Transformer逐token生成骨骼。區(qū)別在于它生成的不是文字而是一棵骨骼樹。這里有個關鍵問題骨骼是樹狀層級結(jié)構(gòu)怎么變成自回歸模型能寫出來的序列官方方案叫Skeleton Tree Tokenization骨架樹Token化——把骨骼的父子層級關系編碼成一串token序列模型逐個生成得到的骨骼天然就是拓撲合法的不會出現(xiàn)腿掛在腦袋上這種離譜結(jié)果。骨架出來后第二階段用一個**骨骼-點交叉注意力Bone-Point Cross Attention**機制讓每個頂點注視所有骨骼為每個骨骼算一個權重這就是蒙皮權重。說白了整個流程可以記住三個機制。第一是形狀編碼器把輸入網(wǎng)格編碼成一組潛在向量讓模型看到整體幾何。第二是骨架樹Token化自回歸模型逐token生成拓撲合法的骨骼層級這一步?jīng)Q定了骨骼的形態(tài)和數(shù)量。第三是骨骼-點交叉注意力第二階段模型基于骨骼和頂點之間的交叉注意力逐頂點預測蒙皮權重權重加起來恰好歸一可直接用于蒙皮。這個模型不是拍腦袋訓出來的。團隊構(gòu)建了Rig-XL數(shù)據(jù)集14000帶綁定的3D模型做訓練下面這張圖就是訓練時的曲線左邊是驗證集上關節(jié)預測誤差的波動下降右邊是交叉熵損失隨訓練步數(shù)收斂的過程。有個有意思的細節(jié)README里明確寫了驗證集交叉熵更低并不一定意味著骨骼生成更好——這類任務不能只看單一指標這也是為什么官方提供了完整的驗證命令。 長頸鹿模型綁骨實操從導入到出結(jié)果完整走一遍說干就干。拿項目自帶的長頸鹿當測試對象再合適不過——長脖子、四條腿、一條長尾巴正是手動綁骨最頭疼的結(jié)構(gòu)。先把環(huán)境搭起來。需要Python 3.11、PyTorch 2.3.1以上外加requirements里的一批依賴含spconv、torch_scatter這類需要指定CUDA版本的包裝完再克隆倉庫git clone https://gitcode.com/gh_mirrors/un/UniRig cd UniRig python -m pip install torch torchvision python -m pip install -r requirements.txtcheckpoint會在首次運行時自動下載不用手動搬權重。接下來是核心流程分三步走。第一步預測骨骼——把GLB喂進去得到一個帶骨骼的FBX此時還沒有權重bash launch/inference/generate_skeleton.sh --input examples/giraffe.glb --output results/giraffe_skeleton.fbx第二步預測蒙皮權重。注意這一步的輸入是骨骼FBX。官方建議先拿Blender把生成的骨骼過一遍缺的骨頭比如尾巴分段手動補上再跑蒙皮——這一步的精度非常依賴骨骼質(zhì)量官方文檔里也專門提醒了這點bash launch/inference/generate_skin.sh --input examples/skeleton/giraffe.fbx --output results/giraffe_skin.fbx第三步合并回原始模型。把預測的骨骼和權重合并到原始網(wǎng)格導出最終資產(chǎn)。這里有個容易踩的坑如果直接合并第一步的骨骼文件出來的結(jié)果只有骨頭沒有權重必須用第二步的skin文件bash launch/inference/merge.sh --source results/giraffe_skin.fbx --target examples/giraffe.glb --output results/giraffe_rigged.glb最后得到的giraffe_rigged.glb可以直接拖進Blender或游戲引擎里擺姿勢。實測下來從喂文件到拿到帶骨骼和權重的GLB我在RTX 4090上跑完整鏈路大約兩分鐘。上面的兔子動畫是UniRig綁定的骨骼配合關鍵幀動畫跑出來的效果關節(jié)彎曲干凈沒有出現(xiàn)明顯的權重拖拽。 進階玩法批量處理目錄文件與調(diào)骨骼變體單模型跑通之后有三個功能值得單獨拎出來說。批量處理是最省時間的。--input_dir指向一個模型目錄--output_dir指定輸出位置腳本會把整個目錄并行處理掉。對于資產(chǎn)團隊來說幾十個怪物等著綁定的場景基本就是這個用法bash launch/inference/generate_skeleton.sh --input_dir assets/models/ --output_dir results/skeletons/ bash launch/inference/generate_skin.sh --input_dir results/skeletons/ --output_dir results/skins/換隨機種子抽不同骨骼變體。默認種子是12345加--seed參數(shù)就能對同一個模型抽不同的骨骼方案。第一次生成的結(jié)果不理想時不用重新調(diào)參換一個種子再抽一次就行bash launch/inference/generate_skeleton.sh --input examples/giraffe.glb --output results/giraffe_v2.fbx --seed 42用faces_target_count控制面數(shù)。默認情況下網(wǎng)格會被重采樣到大約5萬面再送入模型這個參數(shù)在generate_skeleton.sh和generate_skin.sh里都能改低?？梢哉{(diào)小省顯存特別重的模型則靠重采樣自動壓到可處理的規(guī)模。要我說個人最推薦先試四足和奇幻生物這兩個場景。上面龍和惡魔的翅膀、犄角、尾巴恰恰是手動綁骨里最難啃的部分UniRig能直接從幾何里把它們長出來。 誰該用UniRig適用人群畫像與真實限制與其羅列應用場景不如直接說人話看誰最適配。獨立游戲開發(fā)者你的角色管線通常養(yǎng)不起專職綁定師UniRig能在幾分鐘內(nèi)給你一版能動的骨骼自己拿Blender微調(diào)后直接進項目。動畫外包與資產(chǎn)團隊你們要的是風格一致性。同一框架出來的骨骼風格統(tǒng)一比三個綁定師各綁各的強批量模式也讓一晚上清完一個目錄變成現(xiàn)實。VR/AR內(nèi)容創(chuàng)作者用戶生成的內(nèi)容必須能綁定、能實時動自動骨骼綁定在這種管線里基本是剛需。丑話說在前面有三條限制得知道。第一硬件門檻官方要求8GB以上顯存的CUDA GPU純CPU也能跑但慢到懷疑人生想自己訓蒙皮模型的話單卡顯存要60GB起步這不是普通工作站能扛的。第二輸入質(zhì)量決定上限默認重采樣目標約5萬面超高分模型會損失細節(jié)如果預測的骨骼缺了關鍵骨頭尾巴、翅膀蒙皮精度會明顯下降所以蒙皮前務必先檢查骨骼。第三模型成熟度當前放出的checkpoint基于Articulation-XL2.0數(shù)據(jù)集訓練論文主結(jié)果對應的Rig-XL/VRoid全量checkpoint還在路線圖上用于物理次級運動的骨骼屬性預測比如剛度目前也還是coming soon。? 生態(tài)與下一步路線圖與核心源碼路徑路線圖方面官方已經(jīng)明確了幾件事先是放出Rig-XL/VRoid訓練的全量checkpoint復現(xiàn)論文主結(jié)果然后補上骨骼屬性預測的完整UniRig版本。團隊還宣布了后繼項目SkinTokens它把骨骼預測和蒙皮權重統(tǒng)一進同一個自回歸序列官方給出的數(shù)字是蒙皮精度提升98%–133%、骨骼預測提升17%–22%值得盯著看。想深挖源碼的讀者兩個文件是整個項目的核心骨骼預測模型在 src/model/unirig_ar.py配套的骨架樹Token化配置在 configs/tokenizer/tokenizer_rignet.yaml。蒙皮權重預測模型在 src/model/unirig_skin.py訓練入口配置是 configs/task/train_rignet_skin.yaml。數(shù)據(jù)預處理管線在 src/data/ 目錄下想用自己的數(shù)據(jù)集訓模型從這里入手。最后最低門檻的試法把倉庫clone下來拿你手邊任意一個GLB文件跑一下generate_skeleton.sh兩分鐘后你就知道它是什么水平了。核心關鍵詞自動骨骼綁定、3D模型綁骨、UniRig、AI骨骼預測、蒙皮權重預測長尾關鍵詞3D模型如何自動生成骨骼、UniRig自動綁骨教程、批量處理GLB與FBX文件綁骨、基于GPT的骨骼樹預測、3D角色蒙皮權重自動分配【免費下載鏈接】UniRig[SIGGRAPH 2025] One Model to Rig Them All: Diverse Skeleton Rigging with UniRig項目地址: https://gitcode.com/gh_mirrors/un/UniRig創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考 別再手動擺骨頭了：用UniRig一鍵為3D模型自動生成完整骨骼綁定
別再手動擺骨頭了用UniRig一鍵為3D模型自動生成完整骨骼綁定【免費下載鏈接】UniRig[SIGGRAPH 2025] One Model to Rig Them All: Diverse Skeleton Rigging with UniRig項目地址: https://gitcode.com/gh_mirrors/un/UniRig凌晨兩點外包美術遞來的那條低模龍的綁定文件脖子彎起來還是穿?！趋澜壎ㄒ廊皇?D動畫管線里最磨人的環(huán)節(jié)之一。UniRig是清華大學和Tripo在SIGGRAPH 2025放出的統(tǒng)一自動骨骼綁定框架它能為任意3D模型自動生成骨骼層級和皮膚權重整個流程只需要跑三個腳本。UniRig項目定位一個框架搞定3D模型自動綁骨先說清楚它是什么UniRig是SIGGRAPH25TOG論文《One Model to Rig Them All》的官方開源實現(xiàn)由清華大學與Tripo聯(lián)合開發(fā)。它跟傳統(tǒng)自動綁定工具最核心的區(qū)別就一個詞——統(tǒng)一人形、四足、鳥類甚至拓撲很奇怪的無生命物體都走同一個模型不用按類別切換不同管線骨骼預測和皮膚權重預測也在同一個框架里完成而不是把兩套系統(tǒng)縫在一起用。上圖是項目主視覺熊、龍、長頸鹿、蜥蜴等各類模型全部由UniRig自動完成骨骼綁定模型表面清晰可見自動生成的骨骼結(jié)構(gòu)覆蓋了大量不同拓撲的自動綁骨測試案例。 UniRig技術原理直觀解讀骨架樹Token化方法怎么工作怎么理解它的工作方式打個比方用過AI寫作工具的都知道你輸入一句開頭模型一個token一個token地往后接龍。UniRig的骨骼預測干的就是這件事——把模型3D幾何編碼成一段提示詞然后讓一個GPT式的Transformer逐token生成骨骼。區(qū)別在于它生成的不是文字而是一棵骨骼樹。這里有個關鍵問題骨骼是樹狀層級結(jié)構(gòu)怎么變成自回歸模型能寫出來的序列官方方案叫Skeleton Tree Tokenization骨架樹Token化——把骨骼的父子層級關系編碼成一串token序列模型逐個生成得到的骨骼天然就是拓撲合法的不會出現(xiàn)腿掛在腦袋上這種離譜結(jié)果。骨架出來后第二階段用一個**骨骼-點交叉注意力Bone-Point Cross Attention**機制讓每個頂點注視所有骨骼為每個骨骼算一個權重這就是蒙皮權重。說白了整個流程可以記住三個機制。第一是形狀編碼器把輸入網(wǎng)格編碼成一組潛在向量讓模型看到整體幾何。第二是骨架樹Token化自回歸模型逐token生成拓撲合法的骨骼層級這一步?jīng)Q定了骨骼的形態(tài)和數(shù)量。第三是骨骼-點交叉注意力第二階段模型基于骨骼和頂點之間的交叉注意力逐頂點預測蒙皮權重權重加起來恰好歸一可直接用于蒙皮。這個模型不是拍腦袋訓出來的。團隊構(gòu)建了Rig-XL數(shù)據(jù)集14000帶綁定的3D模型做訓練下面這張圖就是訓練時的曲線左邊是驗證集上關節(jié)預測誤差的波動下降右邊是交叉熵損失隨訓練步數(shù)收斂的過程。有個有意思的細節(jié)README里明確寫了驗證集交叉熵更低并不一定意味著骨骼生成更好——這類任務不能只看單一指標這也是為什么官方提供了完整的驗證命令。 長頸鹿模型綁骨實操從導入到出結(jié)果完整走一遍說干就干。拿項目自帶的長頸鹿當測試對象再合適不過——長脖子、四條腿、一條長尾巴正是手動綁骨最頭疼的結(jié)構(gòu)。先把環(huán)境搭起來。需要Python 3.11、PyTorch 2.3.1以上外加requirements里的一批依賴含spconv、torch_scatter這類需要指定CUDA版本的包裝完再克隆倉庫git clone https://gitcode.com/gh_mirrors/un/UniRig cd UniRig python -m pip install torch torchvision python -m pip install -r requirements.txtcheckpoint會在首次運行時自動下載不用手動搬權重。接下來是核心流程分三步走。第一步預測骨骼——把GLB喂進去得到一個帶骨骼的FBX此時還沒有權重bash launch/inference/generate_skeleton.sh --input examples/giraffe.glb --output results/giraffe_skeleton.fbx第二步預測蒙皮權重。注意這一步的輸入是骨骼FBX。官方建議先拿Blender把生成的骨骼過一遍缺的骨頭比如尾巴分段手動補上再跑蒙皮——這一步的精度非常依賴骨骼質(zhì)量官方文檔里也專門提醒了這點bash launch/inference/generate_skin.sh --input examples/skeleton/giraffe.fbx --output results/giraffe_skin.fbx第三步合并回原始模型。把預測的骨骼和權重合并到原始網(wǎng)格導出最終資產(chǎn)。這里有個容易踩的坑如果直接合并第一步的骨骼文件出來的結(jié)果只有骨頭沒有權重必須用第二步的skin文件bash launch/inference/merge.sh --source results/giraffe_skin.fbx --target examples/giraffe.glb --output results/giraffe_rigged.glb最后得到的giraffe_rigged.glb可以直接拖進Blender或游戲引擎里擺姿勢。實測下來從喂文件到拿到帶骨骼和權重的GLB我在RTX 4090上跑完整鏈路大約兩分鐘。上面的兔子動畫是UniRig綁定的骨骼配合關鍵幀動畫跑出來的效果關節(jié)彎曲干凈沒有出現(xiàn)明顯的權重拖拽。 進階玩法批量處理目錄文件與調(diào)骨骼變體單模型跑通之后有三個功能值得單獨拎出來說。批量處理是最省時間的。--input_dir指向一個模型目錄--output_dir指定輸出位置腳本會把整個目錄并行處理掉。對于資產(chǎn)團隊來說幾十個怪物等著綁定的場景基本就是這個用法bash launch/inference/generate_skeleton.sh --input_dir assets/models/ --output_dir results/skeletons/ bash launch/inference/generate_skin.sh --input_dir results/skeletons/ --output_dir results/skins/換隨機種子抽不同骨骼變體。默認種子是12345加--seed參數(shù)就能對同一個模型抽不同的骨骼方案。第一次生成的結(jié)果不理想時不用重新調(diào)參換一個種子再抽一次就行bash launch/inference/generate_skeleton.sh --input examples/giraffe.glb --output results/giraffe_v2.fbx --seed 42用faces_target_count控制面數(shù)。默認情況下網(wǎng)格會被重采樣到大約5萬面再送入模型這個參數(shù)在generate_skeleton.sh和generate_skin.sh里都能改低?？梢哉{(diào)小省顯存特別重的模型則靠重采樣自動壓到可處理的規(guī)模。要我說個人最推薦先試四足和奇幻生物這兩個場景。上面龍和惡魔的翅膀、犄角、尾巴恰恰是手動綁骨里最難啃的部分UniRig能直接從幾何里把它們長出來。 誰該用UniRig適用人群畫像與真實限制與其羅列應用場景不如直接說人話看誰最適配。獨立游戲開發(fā)者你的角色管線通常養(yǎng)不起專職綁定師UniRig能在幾分鐘內(nèi)給你一版能動的骨骼自己拿Blender微調(diào)后直接進項目。動畫外包與資產(chǎn)團隊你們要的是風格一致性。同一框架出來的骨骼風格統(tǒng)一比三個綁定師各綁各的強批量模式也讓一晚上清完一個目錄變成現(xiàn)實。VR/AR內(nèi)容創(chuàng)作者用戶生成的內(nèi)容必須能綁定、能實時動自動骨骼綁定在這種管線里基本是剛需。丑話說在前面有三條限制得知道。第一硬件門檻官方要求8GB以上顯存的CUDA GPU純CPU也能跑但慢到懷疑人生想自己訓蒙皮模型的話單卡顯存要60GB起步這不是普通工作站能扛的。第二輸入質(zhì)量決定上限默認重采樣目標約5萬面超高分模型會損失細節(jié)如果預測的骨骼缺了關鍵骨頭尾巴、翅膀蒙皮精度會明顯下降所以蒙皮前務必先檢查骨骼。第三模型成熟度當前放出的checkpoint基于Articulation-XL2.0數(shù)據(jù)集訓練論文主結(jié)果對應的Rig-XL/VRoid全量checkpoint還在路線圖上用于物理次級運動的骨骼屬性預測比如剛度目前也還是coming soon。? 生態(tài)與下一步路線圖與核心源碼路徑路線圖方面官方已經(jīng)明確了幾件事先是放出Rig-XL/VRoid訓練的全量checkpoint復現(xiàn)論文主結(jié)果然后補上骨骼屬性預測的完整UniRig版本。團隊還宣布了后繼項目SkinTokens它把骨骼預測和蒙皮權重統(tǒng)一進同一個自回歸序列官方給出的數(shù)字是蒙皮精度提升98%–133%、骨骼預測提升17%–22%值得盯著看。想深挖源碼的讀者兩個文件是整個項目的核心骨骼預測模型在 src/model/unirig_ar.py配套的骨架樹Token化配置在 configs/tokenizer/tokenizer_rignet.yaml。蒙皮權重預測模型在 src/model/unirig_skin.py訓練入口配置是 configs/task/train_rignet_skin.yaml。數(shù)據(jù)預處理管線在 src/data/ 目錄下想用自己的數(shù)據(jù)集訓模型從這里入手。最后最低門檻的試法把倉庫clone下來拿你手邊任意一個GLB文件跑一下generate_skeleton.sh兩分鐘后你就知道它是什么水平了。核心關鍵詞自動骨骼綁定、3D模型綁骨、UniRig、AI骨骼預測、蒙皮權重預測長尾關鍵詞3D模型如何自動生成骨骼、UniRig自動綁骨教程、批量處理GLB與FBX文件綁骨、基于GPT的骨骼樹預測、3D角色蒙皮權重自動分配【免費下載鏈接】UniRig[SIGGRAPH 2025] One Model to Rig Them All: Diverse Skeleton Rigging with UniRig項目地址: https://gitcode.com/gh_mirrors/un/UniRig創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考