真实物理加持，人物动画再也不像塑料人！UIUC华人让角色活起来了 | ICCV'25

PhysRig是UIUC与Stability AI联合提出的首个面向角色动画的可微物理绑定框架。通过将刚性骨架嵌入弹性软体体积，并使用Material Point Method（MPM）进行可微分物理模拟，PhysRig能够自然还原皮肤、脂肪、尾巴等柔性结构的变形过程，显著提升角色动画的真实感，解决传统LBS无法克服的体积丢失与变形伪影问题。

角色动画是影视、游戏、虚拟人等场景的核心内容。

然而，当角色动起来时，「塑料感」「假人感」常常让人出戏：

手臂弯曲时明显「瘪掉」？人物转身像「拧麻花」？胖胖角色肚皮动不起来？

这些问题的根源，正是目前最广泛使用的绑定技术——线性混合蒙皮（Linear Blend Skinning, LBS）。

LBS通过将每个顶点的位置作为骨骼变换的加权平均来实现动画变形，虽然高效，但其非物理、线性本质导致了严重的真实性缺失。

最近，伊利诺伊大学香槟分校和Stability AI的研究人员提出了一种全新的解决方案——

将角色视为「刚性骨架 + 弹性软体」的组合体，引入可微分物理模拟替代传统LBS，让动画变形不再凭经验「调权重」，而是依靠真实的物理规则自然演化。

目前，论文已被ICCV 2025接收。

项目主页：https://physrig.github.io/

论文地址：https://arxiv.org/abs/2506.20936

代码仓库：https://github.com/haoz19/PhysRig

PhysRig的关键创新在于用物理建模替代传统绑定权重设计，其整体架构由三个核心模块构成：

1.可微物理模拟器：基于Material Point Method (MPM) 实现；模拟应力、应变、动量守恒等真实物理规律；支持反向传播，用于训练与优化

2.材料原型系统：以25–100个材料原型表示不同身体区域的弹性属性；每个原型由弹性模量与泊松比定义；通过马氏距离对空间进行材质插值，控制区域响应

3.驱动点机制：类似传统rig中的虚拟关节；控制其速度即可驱动物体产生变形；初始化来自工具如Pinocchio，再通过优化细化

PhysRig还支持从已有动画数据中「反向绑定」，自动推理出骨骼运动与材质参数，其优化流程如下：

1.固定驱动点轨迹，优化材料属性

2.固定材料参数，优化每一帧驱动点速度

3.两者交替迭代，逐步逼近真实动画效果

该策略结合了材质的时间一致性与动作的局部性，提升了物理建模的稳定性与效率。

17类角色+120组动画

全面优于传统方法

为了验证方法的通用性与性能，研究团队构建了一个涵盖人类、动物、异形生物的数据集，包括但不限于：

• 人形角色：Michelle、Kaya

• 四足动物：豹子、猛犸、剑龙

• 特殊形态：翼龙、眼镜蛇、鲨鱼

并与以下传统方法进行了对比：

• LBS + RigNet初始化

• LBS + Pinocchio初始化

• LBS + GT初始化

• PhysRig（初始 & 优化版本）

评估指标包括用户评分与Chamfer距离，PhysRig在所有类别中表现最优，尤其在柔性结构的保真度上优势显著。

应用拓展：无需显式权重即可跨物种动作迁移

PhysRig不仅能用于绑定和优化，还可扩展至动作迁移（Pose Transfer）任务：

1.提取源角色的骨骼角度序列

2.应用于结构不同的目标对象（如人到动物）

3.生成自然变形的目标动画

得益于其不依赖显式蒙皮权重的特性，PhysRig尤其适合结构差异大的对象间迁移，展现出强大的泛化能力。

动画与物理建模融合的关键一步

在论文中，研究团队全面评估了PhysRig在多种人形与动物角色上的效果，并进一步展示了其在动作迁移等任务上的通用性。

目前，项目已开放主页即将开源代码，未来还计划推出Blender插件服务动画艺术家群体。

总的来说，PhysRig的提出标志着角色绑定技术迈入物理驱动、可微优化、端到端训练的新纪元，具体贡献包括：

• 首个大规模多角色、多物种的物理绑定评测框架

• 用物理规则替代经验参数，提升真实感

• 与深度学习兼容，支持自动化优化与训练

• 计划发布Blender插件，服务创作者与动画师

论文作者张昊的研究方向涵盖3D/4D重建、生成建模与物理驱动动画。目前在 Snap 担任研究实习生，曾于Stability AI和上海人工智能实验室实习。

徐皓岚为伊利诺伊大学香槟分校的访问学生，目前在密歇根州立大学进行交流访问。

冯椿，伊利诺伊大学香槟分校研究型硕士。指导者包括Stability AI的研究副总裁Varun Jampani以及伊利诺伊大学Donald Biggar Willett教授Narendra Ahuja。

参考资料：

https://physrig.github.io/

文章来自于微信公众号“新智元”。