CHARM: Modellazione Auto-Regressiva di Acconciature Anime 3D Basata su Punti di Controllo

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

September 25, 2025

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

cs.AI

Abstract

Presentiamo CHARM, una rappresentazione parametrica innovativa e un framework generativo per la modellazione di acconciature anime. Mentre i metodi tradizionali di modellazione dei capelli si concentrano su capelli realistici utilizzando rappresentazioni basate su ciocche o volumetriche, le acconciature anime presentano una geometria altamente stilizzata e strutturata a tratti che mette alla prova le tecniche esistenti. I lavori esistenti spesso si basano su modellazione a mesh densa o curve spline create manualmente, rendendoli inefficienti per la modifica e inadatti per un apprendimento scalabile. CHARM introduce una parametrizzazione compatta e invertibile basata su punti di controllo, in cui una sequenza di punti di controllo rappresenta ogni ciocca di capelli, e ogni punto è codificato con solo cinque parametri geometrici. Questa rappresentazione efficiente e accurata supporta sia la progettazione artistica che la generazione basata sull'apprendimento. Basato su questa rappresentazione, CHARM introduce un framework generativo autoregressivo che genera efficacemente acconciature anime da immagini o nuvole di punti in input. Interpretando le acconciature anime come un "linguaggio dei capelli" sequenziale, il nostro trasformatore autoregressivo cattura sia la geometria locale che la topologia globale dell'acconciatura, ottenendo una creazione di acconciature anime ad alta fedeltà. Per facilitare sia l'addestramento che la valutazione della generazione di acconciature anime, abbiamo costruito AnimeHair, un dataset su larga scala di 37K acconciature anime di alta qualità con ciocche di capelli separate e dati mesh elaborati. Esperimenti estensivi dimostrano prestazioni all'avanguardia di CHARM sia in termini di accuratezza di ricostruzione che di qualità di generazione, offrendo una soluzione espressiva e scalabile per la modellazione di acconciature anime. Pagina del progetto: 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/