Make-It-Animatable: Een Efficiënt Framework voor het Creëren van 3D-personages die Klaar zijn voor Animatie

Make-It-Animatable: An Efficient Framework for Authoring Animation-Ready 3D Characters

November 27, 2024

Auteurs: Zhiyang Guo, Jinxu Xiang, Kai Ma, Wengang Zhou, Houqiang Li, Ran Zhang

cs.AI

Samenvatting

3D-personages zijn essentieel voor moderne creatieve industrieën, maar het animatieklaar maken ervan vereist vaak uitgebreid handmatig werk, zoals rigging en skinning. Bestaande automatische riggingtools hebben verschillende beperkingen, waaronder de noodzaak van handmatige annotaties, rigide skelettopologieën en beperkte generalisatie over diverse vormen en poses. Een alternatieve benadering is het genereren van animeerbare avatars die vooraf gebonden zijn aan een gerigde sjabloonmesh. Echter, deze methode mist vaak flexibiliteit en is meestal beperkt tot realistische menselijke vormen. Om deze problemen aan te pakken, presenteren wij Make-It-Animatable, een nieuw op data gebaseerde methode om elk 3D-menselijk model binnen minder dan één seconde gereed te maken voor karakteranimatie, ongeacht de vormen en poses. Ons uniforme kader genereert blend weights, botten en pose-transformaties van hoge kwaliteit. Door een op deeltjes gebaseerde vormauto-encoder te integreren, ondersteunt onze benadering verschillende 3D-representaties, waaronder meshes en 3D-Gaussische vlekken. Daarnaast maken we gebruik van een grof-naar-fijne representatie en een structuur-bewuste modelleringsstrategie om zowel nauwkeurigheid als robuustheid te waarborgen, zelfs voor personages met niet-standaard skeletstructuren. We hebben uitgebreide experimenten uitgevoerd om de effectiviteit van ons kader te valideren. In vergelijking met bestaande methoden toont onze benadering aanzienlijke verbeteringen op zowel kwaliteit als snelheid.

English

3D characters are essential to modern creative industries, but making them animatable often demands extensive manual work in tasks like rigging and skinning. Existing automatic rigging tools face several limitations, including the necessity for manual annotations, rigid skeleton topologies, and limited generalization across diverse shapes and poses. An alternative approach is to generate animatable avatars pre-bound to a rigged template mesh. However, this method often lacks flexibility and is typically limited to realistic human shapes. To address these issues, we present Make-It-Animatable, a novel data-driven method to make any 3D humanoid model ready for character animation in less than one second, regardless of its shapes and poses. Our unified framework generates high-quality blend weights, bones, and pose transformations. By incorporating a particle-based shape autoencoder, our approach supports various 3D representations, including meshes and 3D Gaussian splats. Additionally, we employ a coarse-to-fine representation and a structure-aware modeling strategy to ensure both accuracy and robustness, even for characters with non-standard skeleton structures. We conducted extensive experiments to validate our framework's effectiveness. Compared to existing methods, our approach demonstrates significant improvements in both quality and speed.