論文の概要: Skin Tokens: A Learned Compact Representation for Unified Autoregressive Rigging

• arxiv url: http://arxiv.org/abs/2602.04805v1
• Date: Wed, 04 Feb 2026 17:52:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.666181
• Title: Skin Tokens: A Learned Compact Representation for Unified Autoregressive Rigging
• Title（参考訳）: Skin Tokens: 統一された自己回帰リグのための学習されたコンパクト表現
• Authors: Jia-peng Zhang, Cheng-Feng Pu, Meng-Hao Guo, Yan-Pei Cao, Shi-Min Hu,
• Abstract要約: SkinTokensは、スキンウェイトを学習し、コンパクトで、離散的な表現である。 TokenRigは統合された自動回帰フレームワークで、リグ全体を骨格パラメータとSkinTokensの単一シーケンスとしてモデル化する。 我々の研究は、より忠実で堅牢なリギングに統一的で生成的なアプローチを示します。
• 参考スコア（独自算出の注目度）: 44.79819257609757
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid proliferation of generative 3D models has created a critical bottleneck in animation pipelines: rigging. Existing automated methods are fundamentally limited by their approach to skinning, treating it as an ill-posed, high-dimensional regression task that is inefficient to optimize and is typically decoupled from skeleton generation. We posit this is a representation problem and introduce SkinTokens: a learned, compact, and discrete representation for skinning weights. By leveraging an FSQ-CVAE to capture the intrinsic sparsity of skinning, we reframe the task from continuous regression to a more tractable token sequence prediction problem. This representation enables TokenRig, a unified autoregressive framework that models the entire rig as a single sequence of skeletal parameters and SkinTokens, learning the complicated dependencies between skeletons and skin deformations. The unified model is then amenable to a reinforcement learning stage, where tailored geometric and semantic rewards improve generalization to complex, out-of-distribution assets. Quantitatively, the SkinTokens representation leads to a 98%-133% percents improvement in skinning accuracy over state-of-the-art methods, while the full TokenRig framework, refined with RL, enhances bone prediction by 17%-22%. Our work presents a unified, generative approach to rigging that yields higher fidelity and robustness, offering a scalable solution to a long-standing challenge in 3D content creation.
• Abstract（参考訳）: 生成3Dモデルの急速な普及は、アニメーションパイプラインにおいて重要なボトルネックを生み出している。 既存の自動化手法は、スキン化へのアプローチによって基本的に制限されており、非効率で最適化できない不測の高次元回帰タスクとして扱われ、典型的には骨格生成から切り離される。 これは表現問題であり、スキンウェイトに対する学習的でコンパクトで離散的な表現であるSkinTokensを紹介する。 FSQ-CVAEを用いて、スキンの内在的な間隔を捉えることにより、タスクを連続回帰からより抽出可能なトークンシーケンス予測問題に再構成する。 この表現によりTokenRigは、リグ全体を骨格パラメータとSkinTokenの単一のシーケンスとしてモデル化し、骨格と皮膚の変形の間の複雑な依存関係を学習する統合された自己回帰フレームワークである。 統一モデルは、幾何的および意味的な報酬が複雑な分配資産への一般化を改善する強化学習段階に順応することができる。 定量的には、SkinTokensの表現は最先端の方法よりも98%～133%の精度向上をもたらすが、完全なTokenRigフレームワークはRLで洗練され、骨の予測が17%-22%向上する。 私たちの研究は、3Dコンテンツ作成における長年の課題に対してスケーラブルなソリューションを提供するため、より忠実で堅牢なリギングを実現する統一的で生成的なアプローチを提示しています。

関連論文リスト

• StdGEN++: A Comprehensive System for Semantic-Decomposed 3D Character Generation [57.06461272772509]
  StdGEN++は、多種多様な入力から高忠実で意味的に分解された3D文字を生成するための、新しく包括的なシステムである。 最先端の性能を達成し、幾何学的精度と意味的絡み合いにおいて既存の手法を著しく上回っている。 結果として、非破壊的な編集、物理学に準拠したアニメーション、視線追跡など、より進んだ下流の機能をアンロックする。
  論文  参考訳（メタデータ） (2026-01-12T15:41:27Z)
• Puppeteer: Rig and Animate Your 3D Models [105.11046762553121]
  Puppeteerは、さまざまな3Dオブジェクトの自動リギングとアニメーションの両方に対処する包括的なフレームワークである。 本システムはまず, 自己回帰変換器を用いて, 可塑性骨格構造を推定する。 その後、注意に基づくアーキテクチャにより、皮膚の重量を推定する。
  論文  参考訳（メタデータ） (2025-08-14T17:59:31Z)
• Efficient Autoregressive Shape Generation via Octree-Based Adaptive Tokenization [68.07464514094299]
  既存の方法では、すべての形状を固定サイズのトークンにエンコードし、3Dデータにまたがるスケールと複雑さの固有のバリエーションを無視している。 形状の複雑さに応じて潜在表現の次元を調節する新しいフレームワークであるOctoreeをベースとした適応トークン化を提案する。 当社の手法では,同等の視覚的品質を維持しながら,固定サイズの手法に比べてトークン数を50%削減する。
  論文  参考訳（メタデータ） (2025-04-03T17:57:52Z)
• ARMO: Autoregressive Rigging for Multi-Category Objects [8.030479370619458]
  我々はOmniRigを紹介した。OmniRigは79,499個のメッシュで構成され、詳細なスケルトンとスキン情報を含んでいる。 定義済みの標準ポーズに依存する従来のベンチマークとは異なり、データセットにはさまざまな形状カテゴリ、スタイル、ポーズが採用されています。 本稿では、自己回帰モデルを用いて、関節位置と接続関係を統一的に予測する新しいリギングフレームワークARMOを提案する。
  論文  参考訳（メタデータ） (2025-03-26T15:56:48Z)
• RigAnything: Template-Free Autoregressive Rigging for Diverse 3D Assets [44.655049022141384]
  本稿では,新しい自己回帰変換モデルであるRigAnythingを紹介する。 関節と骨格のトポロジを確率的に生成し、スキンの重量をテンプレートのない方法で割り当てることで、3Dアセットをリグレディにする。 これは、ヒューマノイド、四足動物、海洋生物、昆虫など、さまざまな種類の物体にまたがる最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-02-13T18:59:13Z)
• HumanRig: Learning Automatic Rigging for Humanoid Character in a Large Scale Dataset [6.978870586488504]
  我々は3次元ヒューマノイドキャラクタリギング用に特別に設計された最初の大規模データセットであるHumanRigを紹介する。 本稿では,GNN方式の限界を克服する,革新的なデータ駆動型自動リギングフレームワークを提案する。 この作業は、リギング研究におけるデータセット不足を修復するだけでなく、アニメーション産業をより効率的かつ自動化されたキャラクタリギングパイプラインへと発展させる。
  論文  参考訳（メタデータ） (2024-12-03T09:33:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。