一個模型綁定萬物：VAST/Tripo 推出 UniRig，實現多樣化、自動化 3D 綁定
藉由自迴歸模型與新穎的符記化方案，UniRig 在多樣化角色與物件上帶來最先進的效能，準備突破 3D 動畫的瓶頸。
3D 內容創作的版圖正在爆發式成長。在成熟的傳統工作流程，以及 AI 驅動生成工具（例如我們在 Tripo 的工具）快速崛起的雙重推動下，對高品質 3D 資產的需求正急遽攀升。然而，一個關鍵瓶頸仍然存在：rigging。將靜態 3D mesh 轉換為具備骨架與 skinning weights、可被動畫化的角色，仍是一個複雜、耗時且往往需要大量專業知識的手動流程。
現有的自動化解決方案能提供部分緩解，但通常仍顯不足。基於範本的方法在其預先定義的結構內表現出色（例如標準雙足角色），但缺乏面對今日大量多樣化模型所需的彈性。無範本方法提供了更高的適應性，卻經常難以生成拓撲有效的骨架，或需要複雜的後處理，阻礙了實際採用。
今天，Tripo 很高興推出 UniRig，這是一個新穎、統一的自動骨架 rigging 框架，旨在克服這些限制。正如我們最新研究論文「One Model to Rig Them All: Diverse Skeleton Rigging with UniRig」所詳述，UniRig 提供了一個強大的模型，能為前所未有多樣性的 3D 模型生成高品質骨架 rigs——從人類、動物，到複雜的虛構角色，甚至是無機結構。
UniRig 方法：自迴歸預測與新穎符記化
UniRig 的核心，是運用大型自迴歸模型的力量，類似於推動語言與影像生成進展的那些模型。UniRig 預測的不是像素或文字，而是逐關節預測 3D 骨架的結構。這種序列式預測流程，是確保生成拓撲有效骨架的關鍵。
實現這一點的關鍵設計，是我們的 Skeleton Tree Tokenization 方法。要將具有複雜關節相依性的階層式骨架結構，表示為適合 transformer 的線性序列並非易事。我們的符記化方案能有效編碼：
- 關節座標： 骨骼關節的離散化空間位置。
- 階層結構： 明確的父子關係，確保有效的樹狀結構。
- 骨骼語義： 特殊 token 識別骨骼類型（例如 Mixamo 這類標準範本骨骼、用於頭髮/布料模擬的動態 spring bones），這對下游任務與逼真動畫至關重要。
這種最佳化的符記化（相較於天真的方法，序列長度減少約 30%）使自迴歸模型（基於 OPT 架構）能在由 shape encoder 處理的輸入 mesh 幾何條件下，有效學習骨架結構的底層模式。
超越骨架：精準 Skinning 與屬性
一旦預測出有效骨架，UniRig 會採用 Bone-Point Cross Attention 機制來預測每個頂點的 skinning weights。此模組能有效捕捉每根骨骼對周圍 mesh 表面的複雜影響，整合來自 mesh 與骨架的幾何特徵，並關鍵地加入 geodesic distance 資訊以提升空間感知能力。
此外，UniRig 還會預測骨骼特定屬性（例如 spring bones 的剛性或重力影響），讓更符合物理的次級運動能直接來自學得的參數，並在訓練期間透過可微分物理模擬進行評估，以提升真實感。
Rig-XL：以資料推動泛化能力
模型的表現取決於資料品質。為了訓練 UniRig 使其具備廣泛適用性，我們策劃了 Rig-XL，這是一個全新的大型資料集，包含超過 14,000 個多樣化且已 rigged 的 3D 模型。Rig-XL 源自 Objaverse-XL 等資源並經過細緻清理，涵蓋多種類別（雙足、四足、鳥類、昆蟲、靜態物件等），提供訓練真正具泛化能力 rigging 模型所需的規模與多樣性。我們也以 VRoid 資料集作為補充，以提升在帶有 spring bones 的精緻動漫風角色上的表現。
最先進效能
UniRig 顯著推進了自動 rigging 的最先進水準：
- 準確性： 相較於現有學術與商業方法取得大幅提升，在具挑戰性的資料集上，rigging 準確度（關節預測）提升 215%，運動準確度（動畫下的 mesh 變形）提升 194%。
- 多用途性： 在廣泛類別中展現穩健表現——精緻角色、動物、複雜有機與無機形狀——而以往方法在這些情境中往往失敗。
- 穩健性： 生成拓撲合理的骨架與可信的 skinning weights，相較於既有學術方法和熱門商業工具，帶來更優越的動畫品質。
- 效率： 最佳化的符記化與模型架構帶來實用的推論時間（1-5 秒）。
UniRig 為何重要
UniRig 代表著朝解決現代 3D pipeline 中 rigging 瓶頸邁出的重要一步。透過提供快速、準確且多用途的自動化解決方案，它有潛力：
- 加速製作： 減少 rigging 所需的時間與專業能力，讓藝術家能投入創意任務。
- 促成新工作流程： 與 AI 驅動 3D 模型生成的輸出無縫整合，讓龐大的生成內容庫可立即被動畫化。
- 增強互動性： 支援 human-in-the-loop 精修；使用者可以編輯預測骨架（例如新增/移除骨骼、調整拓撲）並重新生成 rig，將自動化與藝術控制融合。
- 普及動畫創作： 降低創作動畫化 3D 內容的入門門檻。
展望未來：Open Source 發布
秉持 Tripo 推動領域進步的承諾，我們將 open-source UniRig。我們相信這項技術能為創作者社群帶來顯著助益，並促進更多創新。
我們邀請你深入了解：
UniRig 不只是一個演算法；它是下一代 3D 內容創作的基礎組件，讓動畫比以往更容易取得、更有效率，也更具多用途性。
