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！