CHARM: Control-puntgebaseerde 3D Anime Kapsel Auto-Regressieve Modellering

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

September 25, 2025

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

cs.AI

Samenvatting

We presenteren CHARM, een nieuwe parametrische representatie en generatief framework voor het modelleren van anime-haarstijlen. Terwijl traditionele methoden voor haarmodellering zich richten op realistisch haar met behulp van strenggebaseerde of volumetrische representaties, vertonen anime-haarstijlen een sterk gestileerde, stuksgewijze geometrie die bestaande technieken uitdaagt. Bestaande werken vertrouwen vaak op dichte mesh-modellering of handgemaakte spline-curven, wat ze inefficiënt maakt voor bewerking en ongeschikt voor schaalbare leerprocessen. CHARM introduceert een compacte, omkeerbare parameterisatie op basis van controlepunten, waarbij een reeks controlepunten elke haarkaart vertegenwoordigt en elk punt wordt gecodeerd met slechts vijf geometrische parameters. Deze efficiënte en nauwkeurige representatie ondersteunt zowel kunstenaarsvriendelijk ontwerp als op leren gebaseerde generatie. Gebouwd op deze representatie introduceert CHARM een autoregressief generatief framework dat effectief anime-haarstijlen genereert uit invoerbeelden of puntenwolken. Door anime-haarstijlen te interpreteren als een sequentiële "haartaal", vangt onze autoregressieve transformer zowel lokale geometrie als globale haarstijltopologie, wat resulteert in hoogwaardige creatie van anime-haarstijlen. Om zowel training als evaluatie van anime-haarstijlgeneratie te vergemakkelijken, hebben we AnimeHair geconstrueerd, een grootschalige dataset van 37K hoogwaardige anime-haarstijlen met gescheiden haarkaarten en verwerkte mesh-gegevens. Uitgebreide experimenten tonen state-of-the-art prestaties van CHARM in zowel reconstructienauwkeurigheid als generatiekwaliteit, en bieden een expressieve en schaalbare oplossing voor het modelleren van anime-haarstijlen. Projectpagina: 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/