是什么

UniRig 用一个大自回归模型给 3D 模型做自动绑定,先预测拓扑有效的骨架层级,再预测每个顶点的蒙皮权重。骨架部分用 Skeleton Tree Tokenization 编码层级关系,蒙皮部分用 Bone-Point Cross Attention 结合预测出的骨架与输入网格几何来计算。README 说明当前开源版本包含骨架预测与蒙皮预测的代码和模型 checkpoint,骨骼属性预测标注为即将推出。[1]

能做游戏开发的哪一步

  • 给单个 3D 模型生成骨架,输入 examples/giraffe.glb,输出 FBX[1]
  • 对带骨架的模型预测逐顶点蒙皮权重[1]
  • 把预测出的骨架或蒙皮结果与原模型合并成完整绑定资产[1]
  • 用 --seed 换随机种子,试不同的骨架变体[1]

怎么装、怎么跑(按 README 原文)

  1. 克隆仓库
    git clone https://github.com/VAST-AI-Research/UniRig
    [1]
  2. 进入项目目录
    cd UniRig
    [1]
  3. 创建名为 UniRig 的 conda 环境,Python 版本 3.11
    conda create -n UniRig python=3.11
    [1]
  4. 激活该 conda 环境
    conda activate UniRig
    [1]
  5. 安装 PyTorch 与 torchvision
    python -m pip install torch torchvision
    [1]
  6. 按 requirements.txt 安装其余依赖
    python -m pip install -r requirements.txt
    [1]

需要什么环境

  • Python 3.11[1]
  • PyTorch,README 注明测试过的版本为 2.3.1 及以上[1]
  • 生成阶段需要支持 CUDA 的 GPU,显存至少 8GB[1]

限制和要注意的

  • 骨骼属性预测(如物理模拟用的刚度)标为即将推出,当前版本未提供[1]
  • 蒙皮结果依赖骨架质量,骨架不准(例如缺少尾骨或翅膀骨)时会明显变差,README 建议先修骨架再做蒙皮[1]
  • 训练蒙皮模型时单卡至少占用 60GB 显存,即使 batch_size 设为 2[1]

许可证

MIT。具体允许做什么以许可证原文为准。

来源

  1. VAST-AI-Research/UniRig/README.md收录于 2026-11-14