CHARM: Авторегрессивное моделирование 3D-причесок в аниме на основе контрольных точек

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

September 25, 2025

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

cs.AI

Аннотация

Мы представляем CHARM — новое параметрическое представление и генеративную структуру для моделирования причесок в аниме. В то время как традиционные методы моделирования волос сосредоточены на реалистичности с использованием подходов, основанных на отдельных прядях или объемных представлениях, прически в аниме обладают высоко стилизованной, кусочно-структурированной геометрией, что создает сложности для существующих техник. Существующие работы часто полагаются на плотное моделирование сеток или ручное создание сплайн-кривых, что делает их неэффективными для редактирования и непригодными для масштабируемого обучения. CHARM предлагает компактное, обратимое параметрическое представление на основе контрольных точек, где каждая "карта волос" представлена последовательностью контрольных точек, а каждая точка кодируется всего пятью геометрическими параметрами. Это эффективное и точное представление поддерживает как удобное для художников проектирование, так и генерацию на основе обучения. На основе этого представления CHARM предлагает авторегрессивную генеративную структуру, которая эффективно создает прически аниме из входных изображений или облаков точек. Интерпретируя прически аниме как последовательный "язык волос", наш авторегрессивный трансформер захватывает как локальную геометрию, так и глобальную топологию прически, что приводит к созданию высококачественных причесок аниме. Для облегчения обучения и оценки генерации причесок аниме мы создали AnimeHair — крупномасштабный набор данных, содержащий 37 тысяч высококачественных причесок аниме с разделенными картами волос и обработанными данными сеток. Многочисленные эксперименты демонстрируют передовые результаты CHARM как в точности реконструкции, так и в качестве генерации, предлагая выразительное и масштабируемое решение для моделирования причесок аниме. Страница проекта: 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/