传统三维人物动画制作往往需要经历骨骼搭建、蒙皮、刷权重等多个复杂环节，不仅制作周期长，对动画师的经验要求也很高，最终效果也未必总能达到理想状态。
一项新的研究为这一流程带来了明显改进。借助神经网络，研究人员实现了3D人体模型动画的自动生成，让角色的体态更加真实，衣物和皮肤褶皱更自然，肌肉形态也更饱满，甚至连细微的肌肉颤动都能得到更清晰的表现。
相比传统方法，这种方案不仅提升了动画质量，也显著减少了人工参与，使动画生成过程更加高效。
神经网络自动预测骨骼与权重绑定
该研究提出了一种用于角色动画生成的神经融合形状技术。核心目标是让系统能够从输入的角色形象中，自动预测与之高度匹配的骨骼结构，并完成蒙皮与权重绑定，从而让后续的动作捕捉和动画制作更加方便。
整个方法主要由两个部分组成：
包裹变形分支（envelope deformation branch）
补偿变形分支（residual deformation branch）
其中，包裹变形分支通过间接监督学习特定骨架层次下的装配参数，并根据输入角色预测出对应的骨骼、蒙皮和权重绑定关系。
虽然一些常见工具也具备自动绑定和蒙皮能力，但这项方法的优势在于，它不仅能完成基础绑定，还能更准确地生成与角色本身形态更贴合的骨骼结构，从而提升动画表现和动作适配能力。
细节补偿让肌肉与形变更自然
在完成基础骨骼和蒙皮后，补偿变形分支进一步引入神经融合形状（neural blend shapes）技术。系统会结合输入网格的连接关系，预测相应的融合形状，再根据关节旋转情况估计融合系数，通过插值方式生成补偿变形。
这种设计可以有效修正传统线性混合蒙皮（LBS）中常见的形变问题。例如在人物动作发生时，鼓起的肌肉、局部拉伸以及细节变化都能够被更准确地保留下来，使最终动画效果更自然，也更接近真实人体运动状态。
研究团队还对神经融合形状系数进行了可视化展示。通过颜色变化，可以观察不同关节在特定姿势下的融合形状激活程度，从而更直观地理解系统是如何控制局部细节变形的。
训练限制更少，适用范围更广
这项方法还有一个重要特点：神经网络只需要观察变形后的人物模型，就可以进行间接学习，而不依赖于训练数据集中统一、固定的变形方式。这意味着它对数据的要求更灵活，也让方法本身具备更强的适用性。
最终，研究人员实现了一个可用于实时、高质量三维人物动画生成的端到端自动化方案，为角色动画制作提供了更高效的技术路径。
研究背景与成果信息
这项成果由北京大学、北京电影学院等高校和机构合作完成，相关论文《Learning Skeletal Articulations with Neural Blend Shapes》发表于 SIGGRAPH 2021，代码也已开源。
参与团队包括北京大学陈宝权教授研究团队、北京电影学院未来影像高精尖创新中心，以及来自 Google Research、特拉维夫大学和苏黎世联邦理工学院的研究人员。
论文第一作者为北京大学本科生李沛卓，研究方向为深度学习与计算机图形学。
如果希望进一步了解这项技术的实现细节，可以查阅对应论文与项目资料。
项目主页：
论文地址：
