CHARM: Kontrollpunkt-basiertes autoregressives Modellieren von 3D-Anime-Frisuren

papers.abstract

Wir präsentieren CHARM, eine neuartige parametrische Darstellung und ein generatives Framework für die Modellierung von Anime-Frisuren. Während sich traditionelle Methoden zur Haarmodellierung auf realistische Haare mittels strangbasierter oder volumetrischer Darstellungen konzentrieren, weisen Anime-Frisuren eine stark stilisierte, stückweise strukturierte Geometrie auf, die bestehende Techniken vor Herausforderungen stellt. Bisherige Arbeiten stützen sich oft auf dichte Mesh-Modellierung oder handgefertigte Spline-Kurven, was sie ineffizient für die Bearbeitung und ungeeignet für skalierbares Lernen macht. CHARM führt eine kompakte, invertierbare Kontrollpunkt-basierte Parametrisierung ein, bei der eine Sequenz von Kontrollpunkten jede Haarsträhne repräsentiert und jeder Punkt mit nur fünf geometrischen Parametern kodiert wird. Diese effiziente und präzise Darstellung unterstützt sowohl künstlerfreundliches Design als auch lernbasierte Generierung. Auf dieser Darstellung aufbauend, führt CHARM ein autoregressives generatives Framework ein, das effektiv Anime-Frisuren aus Eingabebildern oder Punktwolken generiert. Indem wir Anime-Frisuren als eine sequenzielle „Haarsprache“ interpretieren, erfasst unser autoregressiver Transformer sowohl lokale Geometrie als auch globale Frisurentopologie, was zu hochwertigen Anime-Frisuren führt. Um sowohl das Training als auch die Bewertung der Anime-Frisurgenerierung zu erleichtern, haben wir AnimeHair erstellt, einen umfangreichen Datensatz mit 37.000 hochwertigen Anime-Frisuren, getrennten Haarsträhnen und verarbeiteten Mesh-Daten. Umfangreiche Experimente demonstrieren die state-of-the-art Leistung von CHARM sowohl in der Rekonstruktionsgenauigkeit als auch in der Generierungsqualität und bieten eine ausdrucksstarke und skalierbare Lösung für die Modellierung von Anime-Frisuren. Projektseite: https://hyzcluster.github.io/charm/

English

We present CHARM, a novel parametric representation and generative framework for anime hairstyle modeling. While traditional hair modeling methods focus on realistic hair using strand-based or volumetric representations, anime hairstyle exhibits highly stylized, piecewise-structured geometry that challenges existing techniques. Existing works often rely on dense mesh modeling or hand-crafted spline curves, making them inefficient for editing and unsuitable for scalable learning. CHARM introduces a compact, invertible control-point-based parameterization, where a sequence of control points represents each hair card, and each point is encoded with only five geometric parameters. This efficient and accurate representation supports both artist-friendly design and learning-based generation. Built upon this representation, CHARM introduces an autoregressive generative framework that effectively generates anime hairstyles from input images or point clouds. By interpreting anime hairstyles as a sequential "hair language", our autoregressive transformer captures both local geometry and global hairstyle topology, resulting in high-fidelity anime hairstyle creation. To facilitate both training and evaluation of anime hairstyle generation, we construct AnimeHair, a large-scale dataset of 37K high-quality anime hairstyles with separated hair cards and processed mesh data. Extensive experiments demonstrate state-of-the-art performance of CHARM in both reconstruction accuracy and generation quality, offering an expressive and scalable solution for anime hairstyle modeling. Project page: https://hyzcluster.github.io/charm/

CHARM: Kontrollpunkt-basiertes autoregressives Modellieren von 3D-Anime-Frisuren

CHARM: Control-point-based 3D Anime Hairstyle Auto-Regressive Modeling

papers.abstract

Support