FlowRig: Flow Matching을 이용한 3D 및 4D 메쉬를 위한 통합 스켈레톤 생성

원문 발행 2026. 11. 03. 03:39원문 언어 영어AI 한국어 번역arXiv cs.GR (Graphics) 원문 보기

요약

FlowRig은 Flow Matching을 기반으로 개발된 통합 스켈레톤 생성 프레임워크입니다. 이 모델은 단일 피드포워드 패스를 통해 3D 및 4D 메쉬에 대한 시간적으로 정렬되고 일관성 있는 스켈레톤 생성을 가능하게 합니다. 이는 기존 방법의 불안정성과 높은 계산 비용 문제를 해결하는 통합 솔루션입니다.

핵심 포인트

Flow Matching 기반으로 3D/4D 리깅을 통합 처리합니다.
단일 피드포워드 패스로 전체 시퀀스의 스켈레톤 생성이 가능합니다.
명시적 본 개수 제어 및 불확실성 추정 기능을 지원합니다.
고품질이며 시간적으로 일관된 4D 재구성 및 예측 성능을 입증했습니다.

자동 리깅(Automatic rigging)은 정적 3D 및 동적 4D 메쉬 애니메이션 모두에 필수적인 작업이지만, 기존 방법들은 이 두 설정을 위한 통합된 피드포워드 솔루션을 제공하지 못합니다. 정적 3D 리거(riggers)는 높은 품질을 달성하지만, 종종 본(bone) 개수에 대한 제어력이 제한적이며 동적 메쉬에 프레임별로 적용될 때 시간적으로 불안정해집니다. 반면, 기존의 4D 방법들은 일반적으로 비용이 많이 드는 시퀀스별 최적화(per-sequence optimization)에 의존합니다.

우리는 통합된 3D 및 4D 스켈레톤 생성을 위한 템플릿 프리(template-free)의 데이터 효율적인 프레임워크인 FlowRig을 제안합니다. Flow matching을 기반으로 구축된 FlowRig은 단일 피드포워드 패스(single feedforward pass)에서 전체 시퀀스의 시간적으로 정렬된 스켈레톤을 생성하며, 동시에 단일 메쉬의 3D 리깅도 자연스럽게 처리합니다. 이 모델은 또한 명시적인 스켈레톤 개수 제어(explicit skeleton-count control), 후보 선택을 위한 불확실성 추정(uncertainty estimation), 그리고 마스킹 기반의 보간(interpolation), 예측(forecasting), 백캐스팅(backcasting)을 지원합니다.

제한적인 쌍을 이루는(paired) 4D 리깅 데이터를 다루기 위해, 우리는 대규모 3D 리깅 데이터에서 초기화하고 중규모의 4D 메쉬-스켈레톤 데이터에 적응하는 커리큘럼(curriculum)을 채택합니다. 실험 결과는 FlowRig이 제어 가능한 본 복잡도(controllable bone complexity)를 가진 강력한 정적 3D 리깅 성능을 달성할 뿐만 아니라, 고품질이며 시간적으로 일관된 4D 재구성 및 예측 결과를 보여준다는 것을 입증합니다.

AI 자동 생성 콘텐츠

원문 바로가기

FlowRig: Flow Matching을 이용한 3D 및 4D 메쉬를 위한 통합 스켈레톤 생성

요약

핵심 포인트

댓글