❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发感兴趣，我会每日分享大模型与 AI 领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！
🥦 AI 在线答疑 -> 智能检索历史文章和开源项目 -> 丰富的 AI 工具库 -> 每日更新 -> 尽在微信公众号 -> 搜一搜：蚝油菜花 🥦
🎮 "手动绑骨3天VS AI 3分钟！清华开源框架让动画师集体破防"
大家好，我是蚝油菜花。当动画师还在为复杂模型的手动骨骼绑定熬夜爆肝时，这个来自清华大学的黑科技正在改写3D动画的生产规则！
你是否也经历过这些崩溃时刻：
🦖 给异形生物绑骨时，关节旋转轴永远对不齐
🧬 处理有机结构模型，蒙皮权重刷到手指抽筋
⏳ 复杂机械体骨骼调试，改一版就得重做动画...
今天要解剖的 UniRig ，正是破解这些行业痛点的「三维动画加速器」！这个由清华与VAST联合研发的框架，用三项核心技术重塑骨骼绑定流程：
✅ 全类别通杀：从二次元角色到工业机械，14,000+模型训练验证
✅ 物理级精度：骨骼属性预测支持弹性动力学模拟
✅ 工业级效率：单模型处理速度较传统方法提升20倍
已有动画工作室用它实现日更级产能，游戏团队靠AI生成机甲骨骼——你的3D流水线准备好迎接智能革命了吗？
🚀 快速阅读
UniRig是基于自回归模型与骨骼树标记化技术的自动骨骼绑定框架。
核心功能：支持全类别模型骨骼生成与蒙皮权重预测
技术原理：通过深度优先搜索算法实现骨骼结构序列化编码，结合交叉注意力机制优化权重预测
UniRig 是什么
UniRig由清华大学计算机系与VAST联合研发，是首个支持全类别3D模型的自动骨骼绑定框架。该框架创新性地将骨骼结构转换为序列化标记，利用自回归模型实现拓扑结构预测，突破传统方法在模型多样性上的限制。
其核心突破在于构建包含14,000+模型的Rig-XL数据集，通过大规模训练使模型具备跨类别泛化能力。框架采用物理模拟辅助训练策略，确保生成的骨骼属性支持动力学效果，为动画制作提供更高自由度的控制。
UniRig 的主要功能
全类别骨骼生成：支持人类/动物/机械等复杂结构的拓扑正确骨骼树构建
智能蒙皮预测：通过骨骼-顶点交叉注意力机制精准计算权重分布
物理属性适配：自动生成支持弹簧动力学等效果的骨骼参数
批量处理支持：命令行工具实现多模型并行处理
UniRig 的技术原理
骨骼树标记化：采用深度优先搜索算法将骨骼结构序列化，压缩标记长度至传统方法的1/5
自回归预测网络：基于Transformer架构逐标记生成骨骼树，确保拓扑有效性
点云特征融合：通过多层感知机提取网格几何特征，与骨骼特征交叉计算蒙皮权重
物理模拟监督：在训练阶段引入弹性力学模拟，优化权重预测的物理合理性
如何运行 UniRig
安装
1. 前提条件
Python 3.11
PyTorch（测试版本 >=2.3.1）
2. 克隆仓库
git clone https://github.com/VAST-AI-Research/UniRig
cd UniRig
3. 设置虚拟环境（推荐）
conda create -n UniRig python=3.11
conda activate UniRig
4. 安装依赖
python -m pip install torch torchvision
python -m pip install -r requirements.txt
python -m pip install spconv-{
your-cuda-version}
python -m pip install torch_scatter torch_cluster -f https://data.pyg.org/whl/torch-{
your-torch-version}+{
your-cuda-version}.html --no-cache-dir
python -m pip install numpy==1.26.4
5. 下载模型检查点
当前可用的骨架预测模型检查点托管在 Hugging Face 上，并且通常会通过提供的脚本/函数自动下载。
6. （可选，用于导入/导出 .vrm）安装 Blender 插件
Blender 插件是从VRM-Addon-for-Blender修改而来。
VRM-Addon-for-Blender：https://github.com/saturday06/VRM-Addon-for-Blender
确保您在项目的根目录下，然后运行：
python -c "import bpy, os; bpy.ops.preferences.addon_install(filepath=os.path.abspath('blender/add-on-vrm-v2.20.77_modified.zip'))"
使用
骨架预测（现已可用）
使用预训练模型为您的 3D 模型生成骨架。该过程会自动分析几何结构并预测适当的骨架结构。
# 处理单个文件
bash launch/inference/generate_skeleton.sh --input examples/giraffe.glb --output results/giraffe_skeleton.fbx
# 处理目录中的多个文件
bash launch/inference/generate_skeleton.sh --input_dir
# 通过更改随机种子尝试不同的骨架变体
bash launch/inference/generate_skeleton.sh --input examples/giraffe.glb --output results/giraffe_skeleton.fbx --seed 42
支持的输入格式：.obj, .fbx, .glb, 和 .vrm
合并预测结果
将预测的骨架与原始 3D 模型结合，创建一个完全绑定的资产：
bash launch/inference/merge.sh --source results/giraffe_skeleton.fbx --target examples/giraffe.glb --output results/giraffe_rigged.glb
资源
项目主页：https://zjp-shadow.github.io/works/UniRig/
GitHub 仓库：https://github.com/VAST-AI-Research/UniRig
HuggingFace 仓库：https://huggingface.co/VAST-AI/UniRig
❤️ 如果你也关注 AI 的发展现状，且对 AI 应用开发感兴趣，我会每日分享大模型与 AI 领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！
🥦 AI 在线答疑 -> 智能检索历史文章和开源项目 -> 丰富的 AI 工具库 -> 每日更新 -> 尽在微信公众号 -> 搜一搜：蚝油菜花 🥦