RigAnything：基于自回归模型的模板无关 3D 资产 rigging
计算机视觉与模式识别
2025-10-27 v2
摘要
我们提出了 RigAnything，一种新型自回归变换器基模型，通过概率方式生成关节和骨架拓扑结构并分配皮肤权重，使 3D 资产具备可 rigging 的能力。与大多数现有自 rigging 方法依赖预定义骨架模板并仅限于人oid 类别不同之处，RigAnything 以自回归方式处理 rigging问题，逐步预测下一个关节。虽然自回归模型通常用于生成序列数据，但 RigAnything 扩展了其应用，能够有效学习和表示本质上是树结构的骨架。为实现这一点，我们以广度优先搜索（BFS）顺序组织关节，使骨架可定义为 3D 位置和父索引的序列。此外，我们利用扩散建模提高位置预测精度，确保关节在层级结构中的精确且一致的放置。这种表述使自回归模型能够高效捕获骨架的空间和层级关系。我们在 RigNet 和 Objaverse 数据集上进行端到端训练，RigAnything 在包括人oid、四足动物、海洋生物、昆虫等在内的多样对象类型上显示出领先的性能， 在质量、鲁棒性、通用性和效率方面均超越了先前的方法。它比现有的自 rigging 方法快得多，每个模型的 rigging 时间不到几秒。请访问我们的网站获取更多详情：https://www.liuisabella.com/RigAnything
引用
@article{arxiv.2502.09615,
title = {RigAnything: Template-Free Autoregressive Rigging for Diverse 3D Assets},
author = {Isabella Liu and Zhan Xu and Wang Yifan and Hao Tan and Zexiang Xu and Xiaolong Wang and Hao Su and Zifan Shi},
journal= {arXiv preprint arXiv:2502.09615},
year = {2025}
}
备注
SIGGRAPH TOG 2025, Project page: https://www.liuisabella.com/RigAnything