CHARM: Modelado Auto-Regresivo de Peinados Anime 3D Basado en Puntos de Control

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

September 25, 2025

Autores: Yuze He, Yanning Zhou, Wang Zhao, Jingwen Ye, Yushi Bai, Kaiwen Xiao, Yong-Jin Liu, Zhongqian Sun, Wei Yang

cs.AI

Resumen

Presentamos CHARM, una novedosa representación paramétrica y marco generativo para el modelado de peinados de anime. Mientras que los métodos tradicionales de modelado de cabello se centran en cabello realista utilizando representaciones basadas en hebras o volumétricas, los peinados de anime exhiben una geometría altamente estilizada y estructurada por partes que desafía las técnicas existentes. Los trabajos previos suelen depender de modelado denso de mallas o curvas spline creadas manualmente, lo que los hace ineficientes para la edición y poco adecuados para el aprendizaje escalable. CHARM introduce una parametrización compacta e invertible basada en puntos de control, donde una secuencia de puntos de control representa cada mechón de cabello, y cada punto se codifica con solo cinco parámetros geométricos. Esta representación eficiente y precisa permite tanto el diseño amigable para artistas como la generación basada en aprendizaje. Basado en esta representación, CHARM introduce un marco generativo autorregresivo que genera efectivamente peinados de anime a partir de imágenes o nubes de puntos de entrada. Al interpretar los peinados de anime como un "lenguaje de cabello" secuencial, nuestro transformador autorregresivo captura tanto la geometría local como la topología global del peinado, lo que resulta en la creación de peinados de anime de alta fidelidad. Para facilitar tanto el entrenamiento como la evaluación de la generación de peinados de anime, construimos AnimeHair, un conjunto de datos a gran escala de 37K peinados de anime de alta calidad con mechones separados y datos de malla procesados. Experimentos extensos demuestran un rendimiento de vanguardia de CHARM tanto en precisión de reconstrucción como en calidad de generación, ofreciendo una solución expresiva y escalable para el modelado de peinados de anime. Página del proyecto: 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/