論文の概要: AniGen: Unified $S^3$ Fields for Animatable 3D Asset Generation

• arxiv url: http://arxiv.org/abs/2604.08746v2
• Date: Tue, 14 Apr 2026 17:33:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 14:01:13.224463
• Title: AniGen: Unified $S^3$ Fields for Animatable 3D Asset Generation
• Title（参考訳）: AniGen: Animatable 3Dアセット生成のためのUnified $S^3$ Fields
• Authors: Yi-Hua Huang, Zi-Xin Zou, Yuting He, Chirui Chang, Cheng-Feng Pu, Ziyi Yang, Yuan-Chen Guo, Yan-Pei Cao, Xiaojuan Qi,
• Abstract要約: AniGenは、単一画像上に条件付きアニメーション対応の3Dアセットを直接生成する統合フレームワークである。 私たちの重要な洞察は、共有空間領域上で定義されたS3$ Fields(Shape, Skeleton, Skin)として、形状、骨格、スキン化を表現することです。 AniGenは、リグの妥当性とアニメーションの品質において、最先端のシーケンシャルベースラインを大幅に上回っている。
• 参考スコア（独自算出の注目度）: 64.1405325883561
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Animatable 3D assets, defined as geometry equipped with an articulated skeleton and skinning weights, are fundamental to interactive graphics, embodied agents, and animation production. While recent 3D generative models can synthesize visually plausible shapes from images, the results are typically static. Obtaining usable rigs via post-hoc auto-rigging is brittle and often produces skeletons that are topologically inconsistent with the generated geometry. We present AniGen, a unified framework that directly generates animate-ready 3D assets conditioned on a single image. Our key insight is to represent shape, skeleton, and skinning as mutually consistent $S^3$ Fields (Shape, Skeleton, Skin) defined over a shared spatial domain. To enable the robust learning of these fields, we introduce two technical innovations: (i) a confidence-decaying skeleton field that explicitly handles the geometric ambiguity of bone prediction at Voronoi boundaries, and (ii) a dual skin feature field that decouples skinning weights from specific joint counts, allowing a fixed-architecture network to predict rigs of arbitrary complexity. Built upon a two-stage flow-matching pipeline, AniGen first synthesizes a sparse structural scaffold and then generates dense geometry and articulation in a structured latent space. Extensive experiments demonstrate that AniGen substantially outperforms state-of-the-art sequential baselines in rig validity and animation quality, generalizing effectively to in-the-wild images across diverse categories including animals, humanoids, and machinery. Homepage: https://yihua7.github.io/AniGen-web/
• Abstract（参考訳）: アニマタブルな3Dアセットは、関節付き骨格とスキンウェイトを備えた幾何学として定義され、インタラクティブグラフィックス、エンボディエージェント、アニメーション制作の基礎となっている。 最近の3D生成モデルは画像から視覚的に可視な形状を合成できるが、その結果は通常静的である。 ポストホック・オート・リギングによる使用可能なリグは脆く、しばしばトポロジカルに生成した幾何学と矛盾しない骨格を生成する。 AniGenは、単一画像上に条件付きアニメーション対応の3Dアセットを直接生成する統合フレームワークである。 我々の重要な洞察は、共有空間領域上で定義されたS^3$ Fields (Shape, Skeleton, Skin) として形状、骨格、皮膚を表現することである。 これらの分野の堅牢な学習を可能にするために、私たちは2つの技術革新を紹介します。 一 ヴォロノイ境界における骨予測の幾何学的あいまいさを明示的に扱う信頼性低下スケルトン場、及び (i) 関節数から皮膚重量を分離し, 固定構造ネットワークが任意の複雑さのリグを予測できる2つの皮膚特徴場。 2段階のフローマッチングパイプライン上に構築されたAniGenは、まずスパース構造の足場を合成し、次に構造化された潜在空間で密度の高い幾何学と調音を生成する。 大規模な実験により、AniGenは、リグの妥当性とアニメーションの品質において、最先端のシーケンシャルベースラインを大幅に上回っており、動物、ヒューマノイド、機械など、さまざまなカテゴリの幅内画像に効果的に一般化されていることが示されている。 ホームページ:https://yihua7.github.io/AniGen-web/

関連論文リスト

• Generation Models Know Space: Unleashing Implicit 3D Priors for Scene Understanding [50.098085774845195]
  本稿では,大規模生成モデルにおいて暗黙の空間的先行性を活用することで,パラダイムシフトを提案する。 GeneEGA-3D (Video Extracted Generative Awareness) は,事前学習した映像拡散モデルを潜在世界シミュレータとして再利用するプラグイン・アンド・プレイ・フレームワークである。
  論文  参考訳（メタデータ） (2026-03-19T17:59:58Z)
• Stroke3D: Lifting 2D strokes into rigged 3D model via latent diffusion models [53.32092058519587]
  Stroke3Dは、ユーザ入力から2D描画ストロークと記述テキストプロンプトを直接生成する新しいフレームワークである。 私たちの知識を最大限に活用するために、私たちの研究は、ユーザ引き起こされた2Dストロークに条件付けされたトリグされた3Dメッシュを初めて生成しました。
  論文  参考訳（メタデータ） (2026-02-10T12:17:00Z)
• Interp3D: Correspondence-aware Interpolation for Generative Textured 3D Morphing [63.141976759536625]
  テクスチャ化された3DモーフィングのためのトレーニングフリーフレームワークであるInterp3Dを提案する。 生成的先行性を利用し、幾何学的忠実さとテクスチャコヒーレンスの両方を保証するために、プログレッシブアライメント原理を採用する。 包括的評価のために, 難易度の高い専用データセットInterp3DDataを構築し, 忠実度, 遷移滑らか度, 可視性から生成結果を評価する。
  論文  参考訳（メタデータ） (2026-01-20T16:03:22Z)
• ArtiLatent: Realistic Articulated 3D Object Generation via Structured Latents [31.495577251319315]
  ArtiLatentは、人間の作った3Dオブジェクトを精密な幾何学、正確な調音、リアルな外観で合成する生成フレームワークである。
  論文  参考訳（メタデータ） (2025-10-24T13:08:15Z)
• 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)
• 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)

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。