机器之心专栏

机器之心编辑部

前几日，苹果宣布首款虚拟头显设备 Vision Pro 将于 2 月 2 日正式发售，XR 设备作为下一代终端预计将迎来快速发展。未来随着虚拟显示设备的普及，数字交互将从平面走向立体，立体模型、立体动画将成为未来主流的内容形态，虚实融合下的多维沉浸式交互也将成为潮流。

但从数据规模看，现阶段内容产业的数据积累仍以 2D 图像、平面视频为主，3D 模型、4D 动画等数据基础较为薄弱。其中，4D 动画是在传统 3D 模型的基础上引入时间序列，即随时间变化的 3D 模型，可以呈现出动态立体效果，在游戏动画、电影特效、虚拟现实等领域具有广泛的应用，但也是目前内容生态开发中最困难的环节。

因此，面向即将到来的多维沉浸式体验，构建立体化的数字内容将成为重要的基础性工作。

面向该前沿领域，清华系创业团队生数科技开展了系列研究和产品研发，于近期联合清华大学、同济大学等高校推出全球首个基于「骨骼动画」的 4D 动画生成框架「AnimatableDreamer」，能够直接将 2D 视频素材一键转成动态立体模型（即 4D 动画），支持自动提取骨骼动作、一键转换动画效果并可通过文字输入进行个性化角色生成。

大家可以看以下Demo视频。

视频链接：https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650904838&idx=3&sn=de12a4c5ab4313d126453fbbf6f2531d&chksm=84e45d78b393d46e0c90c46d9daaab20ac8c66278a1d7729dc205f69af7317d8727442027263&token=1072802950&lang=zh_CN#rd

全新内容生产方式

颠覆立体动画开发流程

过往业界制作立体动画，需要经过 3D 建模、贴图渲染、骨骼绑定、动画制作等复杂流程，需要建模师、动画师等专业人员参与才能完成，效率低、成本高。据统计，单一个静态 3D 模型建模的生产周期就在数小时到几天时间，成本可高达上千美元，再进行动态化处理成本投入将更高。

从官方发布的 demo 视频可以看到，上传一段松鼠的 2D 实景视频，通过输入「A squirrel with red sweater」（穿红色毛衣的松鼠）的文本描述，原本实景的松鼠一键转成动画风格，而且完美保留了动作姿势，同步还可生成 360 度视角下的立体动态模型，通过切换文字描述，可以自定义角色，将松鼠任意切换为狐狸、杰尼龟等不同的卡通形象。

「AnimatableDreamer」可自动提取视频中目标对象（人物、动物等）的骨骼动作，再通过文本描述将该对象转换为任意的带骨骼动画模型。整个过程不受模版限制，支持任意视频长度和任意类型动作，具备高度的时间一致性和多视角一致性，并且导出的动态立体模型，能够在任意 3D 环境中进行渲染。

面向影视动漫等领域的后期制作，通常需要针对动画做更多编辑，「AnimatableDreamer」也支持针对已经完成骨骼绑定的模型进行更换或编辑动画文件，实现更高的自由度。未来相关技术逐渐落地后，游戏开发、影视动画等场景的 3D 建模、动画制作流程，有望变得更加高效。

面向未来

有望形成全新的内容生态

在实现原理上，研究团队创新性地提出了规范得分蒸馏策略（Canonical Score Distillation，简称 CSD），在随时间变化的相机空间中对不同帧及不同视角的 3D 模型进行渲染及降噪，并统一将梯度回传至不同相机空间共享的规范空间中进行蒸馏，将 4D 生成降维至 3D，即将 4D 生成问题简化为 3D 空间上的生成。

「AnimatableDreamer」能直接从视频中提取关节动作，通过解耦物体的模型与运动，生成的模型具备高度的时间一致性和几何合理性，不受视频长度限制，而且能有效地消除如形状断裂、闪烁和多视角不一致等问题。

视频链接：https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650904838&idx=3&sn=de12a4c5ab4313d126453fbbf6f2531d&chksm=84e45d78b393d46e0c90c46d9daaab20ac8c66278a1d7729dc205f69af7317d8727442027263&token=1072802950&lang=zh_CN#rd

在有限视角和大幅度运动的场景中，由于引入了 Diffusion 模型的先验知识，即便输入的视频未覆盖完整物体，「AnimatableDreamer」也能自动补全画面信息，实现较好的生成质量。

视频链接：https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2650904838&idx=3&sn=de12a4c5ab4313d126453fbbf6f2531d&chksm=84e45d78b393d46e0c90c46d9daaab20ac8c66278a1d7729dc205f69af7317d8727442027263&token=1072802950&lang=zh_CN#rd

可以说，「AnimatableDreamer」的提出直接打通文本到 4D 骨骼动画的生成，建模、贴图、骨骼绑定、动作驱动一气呵成！输入自然语言描述，自动输出立体动画视频，无需专业知识，普通人也能直接上手，轻松定制动画内容。

以「AnimatableDreamer」为基础的工作将大大降低 3D、4D 数字内容的生产难度，将交互体验丰富化，让每个人都能进行创意内容的生成和编辑，将催生出 3D 时代下全新的内容娱乐与内容消费模式。

畅想一下，在未来的虚拟世界中，用户可以快速搭建自定义的数字空间，打造个性化的交互体验。例如：

作为一家成立不到一年的初创公司，生数科技团队长期致力于图像、3D、视频等多模态大模型领域，在 9 月份发布了 3D 资产创建工具 VoxCraft，在 Discord 正式上线，支持文图引导、分钟级创建 3D 模型、3D 贴图自定义更换等功能，赋能游戏开发、影视动画等场景的 3D 建模流程。此次推出的 4D 骨骼动画生成是生数科技的又一项全新探索工作，未来将在 VoxCraft 的产品中进行集成。

VoxCraft 工具地址：https://voxcraft.ai/

苹果 Vision Pro 的来临不仅仅是硬件设备层面的重要革新，同时也将开启一场内容和体验革命的序幕。4D 动画生成等生成式 AI 的创新能力，除了带来更好的视觉呈现，还将以全新方式打开多维数字体验，为下一代人机交互带来更多可能。