VAST-AI与清华大学联合开源UniRig：一个能为所有3D模型自动绑定骨骼的框架

VAST-AI（Tripo）与清华大学联合研发的团队近日开源了UniRig，这是一个旨在革新3D模型骨骼绑定的自动化框架。该技术标志着计算机图形学领域的重要突破，利用大型自回归模型的强大能力，为多样化的3D模型生成高质量的骨骼结构和蒙皮权重，从而解决了动画制作工作流中最令创作者头疼的环节。

解决3D内容创作的核心瓶颈

随着元宇宙、游戏开发和数字内容生产的繁荣，3D模型的需求量正呈爆发式增长。然而，从静态模型到可动画角色的转换过程中，骨骼绑定（Rigging）一直是一个显著瓶颈——这一过程不仅耗时，通常还需要专业技能。

专业角色绑定师需要花费数小时甚至数天时间为复杂模型创建骨骼层次结构，然后细致地调整权重以保证自然的形变。对初学者来说，这一过程的学习曲线陡峭，即使对专业人士而言，也是工作流中最耗时的环节之一。

现有的自动绑定工具主要分为两类：

• 基于模板的方法：虽然在处理标准人形角色时相对可靠，但面对新奇形态（如多足生物、机械结构或幻想生物）时往往失效
• 无模板方法：虽然更灵活，但生成的骨骼拓扑往往不符合艺术家的期望，且控制精度有限

UniRig：统一模型绑定万物

UniRig通过为自动骨骼绑定引入大型语言模型（LLM）的思路，提出了一个全新范式。研究团队将骨骼结构视为一种特殊的”语言”，使模型能够”理解”和”生成”各种生物和物体的内在骨架逻辑。

UniRig的创新之处在于：

1. 创新的骨骼树标记化机制

骨骼树标记化（Skeleton Tree Tokenization）是UniRig的核心创新，它解决了如何将具有复杂层级关系的骨骼结构编码为线性序列这一挑战。该方案智能地编码了：

• 关节坐标：以离散化形式表示空间位置，提供几何精度
• 层级结构：明确定义父子关系，确保生成有效的骨骼树
• 语义信息：通过专门的token类型标识不同用途的骨骼（如主要骨骼、IK控制器、辅助物理骨骼等）

这种设计比传统方法减少了约30%的序列长度，显著提高了模型效率和生成质量。

2. 双阶段架构确保高质量结果

UniRig采用精心设计的双阶段架构：

1. 骨骼生成阶段：基于GPT架构的Transformer通过自回归方式逐个生成关节，形成完整的骨骼层次结构。这一过程考虑了全局与局部几何特征，确保骨骼与3D模型形态高度匹配。

2. 蒙皮权重预测阶段：通过创新的”骨骼-点交叉注意力”机制，UniRig能精确计算每个模型顶点受周围骨骼的影响程度，生成自然、平滑的蒙皮权重。同时，系统还能预测专用骨骼的物理参数（如弹簧骨骼的弹性系数），为高级动画效果提供支持。

Rig-XL数据集：以多样性驱动泛化能力

为支持UniRig的训练，研究团队构建了迄今规模最大的骨骼绑定数据集Rig-XL，包含超过14,000个多样化的已绑定3D模型。该数据集涵盖了：

• 人形角色（真实与卡通风格）
• 四足动物（家畜、野生动物、幻想生物）
• 鸟类与飞行生物
• 昆虫与节肢动物
• 机械结构与非有机对象
• 动漫风格角色（含物理弹簧骨骼）

通过在如此多样化的数据上训练，UniRig获得了强大的泛化能力，能够处理各种未见过的模型形态。

在实际生产中的表现优势

在多项对比测试中，UniRig显著超越了现有商业和学术解决方案：

• 绑定精度提升215%：骨骼位置和层次结构更符合专业艺术家的预期
• 动画质量提升194%：生成的权重在动画变形时更加自然流畅
• 处理能力大幅扩展：成功处理从简单到极其复杂的形态（如多足昆虫或多肢幻想角色）
• 高效率：大多数模型处理时间在1-5秒内，远低于专业绑定师需要的时间

与ComfyUI工作流的潜在结合

随着生成式AI模型如TripoSG和TripleSF在ComfyUI中的应用，自动生成高质量3D模型已成为可能。然而，生成的模型通常缺乏骨骼结构，限制了它们在动画中的应用。

UniRig有望与ComfyUI的3D生成工作流无缝集成，实现从创意构思到可动画角色的端到端流程：

1. 使用文本或图像提示生成3D模型
2. 通过UniRig自动添加骨骼结构
3. 导出至任何支持骨骼动画的软件或游戏引擎

此外，与昨日发布的HoloPart技术相结合，更可实现模型的部件级编辑与骨骼生成，为创作者提供前所未有的灵活性。

当前开源状态

VAST-AI已开始逐步开源UniRig的各个组件：

• ✅ 已开源：骨骼预测模型（在Articulation-XL2.0上训练）
• ⏳ 即将开源：蒙皮权重预测模型
• ⏳ 即将开源：Rig-XL和VRoid数据集
• ⏳ 即将开源：在Rig-XL/VRoid上训练的完整UniRig模型检查点

创作者反馈与开源社区参与

早期测试UniRig的独立3D艺术家表示，该技术”显著改变了创作流程”，“为非专业绑定师打开了动画创作的大门”。一位游戏开发者评论道：“UniRig能在几秒内完成以前需要数小时的工作，而质量甚至更好。”

VAST-AI邀请开源社区参与UniRig的进一步开发，特别是在以下领域：

• 针对特定类型模型的专业化微调
• 与现有3D创作软件的插件集成
• 为小型设备优化的轻量版模型

相关链接

• 项目主页
• GitHub代码库
• 模型权重

VAST-AI在近期密集开源多个3D创作相关项目，包括今天介绍的UniRig、HoloPart、TripleSF，以及单张图像端到端生成三维组合场景的MIDI和MV-Adapter等，持续引领3D生成技术的发展方向，为创意社区提供更强大的工具。