作者:張昊,伊利諾伊大學香檳分校博士生,研究方向為 3D/4D 重建、生成建模與物理驅動動畫。目前在 Snap 擔任研究實習生,曾于 Stability AI 和上海人工智能實驗室實習。PhysRig 由 UIUC 與 Stability AI 聯合完成,旨在推動角色動畫邁向更真實、可控的物理解法。
個人主頁:https://haoz19.github.io/
動畫角色在動起來時,是否常常顯得 「塑料感十足」?即使使用再復雜的骨骼系統,人物走路時還是像帶著鉸鏈的木偶?這是因為當前主流的綁定(rigging)技術 —— 線性混合蒙皮(Linear Blend Skinning,簡稱 LBS)雖然效率高、計算方便,但在遇到柔軟材質(如皮膚、脂肪、動物尾巴)時,往往會出現體積丟失、扭曲甚至 「糖果包裹」 效應,嚴重影響真實感。
在 ICCV 2025 最新接收論文《PhysRig: Differentiable Physics-Based Skinning and Rigging Framework》中,來自 UIUC 和 Stability AI 的研究者提出了一個新框架:將 「剛性骨架 + 彈性軟體」 的建模方式引入綁定流程,利用可微分物理模擬方法,實現更真實、更自然的動畫角色變形效果。
- 項目鏈接:
- https://physrig.github.io
- 論文鏈接:
- https://arxiv.org/abs/2506.20936
- 代碼鏈接:
- https://github.com/haoz19/PhysRig
01 | 傳統 LBS 的困境
LBS 通過將每個點的位置作為骨骼變換的加權平均來生成動畫。這種方法在過去幾十年中被廣泛使用于游戲、影視、甚至研究中。但它的本質是線性的、非物理的。
其主要問題包括:
- 體積丟失:比如手臂彎曲時出現 「癟掉」的現象;
- 旋轉偽影:如關節處的 「糖果扭轉」;
- 無法模擬柔軟材質:如胖胖角色的肚皮、動物的尾巴、耳朵。
盡管也有研究嘗試使用深度學習優化 LBS 的權重或參數,但其結構性的缺陷始終難以彌補。
02 | PhysRig 的核心思想
PhysRig 開辟了一條新路:把骨骼嵌入到一個可變形的柔體體積中,讓骨骼帶動的不再是直接控制的點,而是通過模擬物理過程,產生形變結果。
整個框架有三個關鍵組件:
可微物理模擬器
- 基于 Material Point Method(MPM)實現;
- 使用連續介質力學理論,考慮應力應變、質量守恒、動量守恒等;
- 模擬真實物體在受力下的自然變形過程。
材料原型(Material Prototypes)
- 用少量的原型(如 25~100 個)代表不同區域的彈性材質;
- 每個原型有彈性模量(Young’s modulus)和泊松比(Poisson’s ratio);
- 使用馬氏距離在空間中進行插值分配,控制不同區域的材質響應。
驅動點系統(Driving Points)
- 類似于骨骼的 「虛擬關節」;
- 控制其速度即可間接控制變形;
- 初始化自傳統 rigging 工具如 Pinocchio,并通過優化進行細化。
03 | 物理模擬與優化策略
為了實現從 「觀察到的動畫結果」 反推出 「內部骨骼運動和材質參數」
,PhysRig 提出了迭代式的反向綁定(Inverse Skinning)優化流程:
1. 固定骨骼速度,優化材料參數;
2. 固定材料參數,逐幀優化驅動點速度;
3. 兩者交替迭代,直到收斂。
這種策略考慮了材料屬性的 「時序一致性」與骨骼動作的 「逐幀局部性」,使得優化更穩定、高效。
04 | 全面評測與數據集
為了全面驗證 PhysRig 的有效性,研究者構建了一個包含17 種角色(共 120 組動畫序列)的數據集,涵蓋:
- 人形角色(如 Michelle、Kaya)
- 四足動物(如豹子、猛犸、劍龍)
- 非常規生物(如鯊魚、翼龍、眼鏡蛇)
對比對象包括:
- LBS + RigNet 初始化
- LBS + Pinocchio 初始化
- LBS + GT 初始化
- 以及 PhysRig 的初始和優化結果
采用指標包括用戶評分(User Rating)和 Chamfer 距離(CD),PhysRig 在幾乎所有類別上都顯著優于傳統方法,表現出更真實的動態效果。
05 | 拓展應用:動作遷移
PhysRig 不僅能從已有動畫反推參數,還可以實現基于骨架角度的動作遷移(Pose Transfer)。
具體做法是:
1. 提取源動畫的骨骼角度序列;
2. 將其傳遞給目標對象(如不同物種);
3. 使用 PhysRig 生成自然形變的體積動畫。
相比傳統需要預測蒙皮權重的方法,PhysRig 不依賴顯式權重預測,更適合處理結構差異大的對象(比如人到果凍怪的動作遷移)。
06 | 總結與展望
PhysRig 提供了一種從傳統 rigging 邁向物理真實綁定的路徑:
- 擺脫 LBS 線性模型的限制;
- 實現結構豐富、材質多樣對象的自然變形;
- 與深度學習兼容,可用于可微優化與端到端訓練;
- 為動畫、游戲、影視、機器人仿真等領域打開新的思路。
目前,項目已在官網上線展示,并計劃在 ICCV 2025 會議前后開源代碼與數據集。未來還計劃將其封裝為 Blender 插件,面向動畫藝術家提供可用工具。
如果你也對物理模擬和角色動畫感興趣,歡迎訪問項目主頁或與作者聯系交流!
特別聲明:以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布,本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.