AnimateAnyMesh++: 一个灵活的 4D 基础模型，用于高保真文本驱动的网格动画

近期的 4D 内容生成技术引发了日益增长的关注，但由于建模时空分布的复杂性以及 4D 训练数据的稀缺，创建高质量动画 3D 模型仍然具有挑战性。我们提出了 AnimateAnyMesh++，这是一套针对任意 3D 网格进行文本驱动动画的前馈框架，在数据、架构和生成能力方面实现了大幅升级。首先，我们通过从 Objaverse-XL 中挖掘动态内容，扩充了 DyMesh-XL 数据集，将唯一身份数从 6 万增加至 30 万，显著拓宽了类别和运动的多样性。其次，我们对 DyMeshVAE-Flex 进行重新设计，采用幂律拓扑感知注意力和顶点法线增强特征，显著改善了轨迹重建、局部几何保持，并缓解了轨迹粘附痕迹。最后，我们对 DyMeshVAE-Flex 和矩形流 (rectified-flow, RF) 生成器进行架构修改，支持可变长度序列的训练与生成，使动画时长得以延长，同时保持重建保真度。大量实验表明，AnimateAnyMesh++ 能在数秒内生成语义准确、时序一致的网格动画，优于先前方法在质量和效率上的表现。扩充后的 DyMesh-XL、升级版的 DyMeshVAE-Flex 以及可变长 RF，均在基准测试和野外网格上取得持续性提升。我们将在本稿接受后发布代码、模型以及扩充后的 DyMesh-XL，以推动 4D 内容创建领域的研究。