角色动画的物理革命，PhysRig实现更真实、更自然的动画变形效果

作者：张昊，伊利诺伊大学香槟分校博士生，研究方向为 3D/4D 重建、生成建模与物理驱动动画。目前在 Snap 担任研究实习生，曾于 Stability AI 和上海人工智能实验室实习。PhysRig 由 UIUC 与 Stability AI 联合完成，旨在推动角色动画迈向更真实、可控的物理解法。

个人主页：https://haoz19.github.io/

动画角色在动起来时，是否常常显得 「塑料感十足」？即使使用再复杂的骨骼系统，人物走路时还是像带着铰链的木偶？这是因为当前主流的绑定（rigging）技术 —— 线性混合蒙皮（Linear Blend Skinning，简称 LBS）虽然效率高、计算方便，但在遇到柔软材质（如皮肤、脂肪、动物尾巴）时，往往会出现体积丢失、扭曲甚至 「糖果包裹」 效应，严重影响真实感。

在 ICCV 2025 最新接收论文《PhysRig: Differentiable Physics-Based Skinning and Rigging Framework》中，来自 UIUC 和 Stability AI 的研究者提出了一个新框架：将 「刚性骨架 + 弹性软体」 的建模方式引入绑定流程，利用可微分物理模拟方法，实现更真实、更自然的动画角色变形效果。

• 项目链接：
• https://physrig.github.io
• 论文链接：
• https://arxiv.org/abs/2506.20936
• 代码链接：
• https://github.com/haoz19/PhysRig

01 | 传统 LBS 的困境

LBS 通过将每个点的位置作为骨骼变换的加权平均来生成动画。这种方法在过去几十年中被广泛使用于游戏、影视、甚至研究中。但它的本质是线性的、非物理的。

其主要问题包括：

• 体积丢失：比如手臂弯曲时出现 「瘪掉」的现象；
• 旋转伪影：如关节处的 「糖果扭转」；
• 无法模拟柔软材质：如胖胖角色的肚皮、动物的尾巴、耳朵。
• 
  

尽管也有研究尝试使用深度学习优化 LBS 的权重或参数，但其结构性的缺陷始终难以弥补。

02 | PhysRig 的核心思想

PhysRig 开辟了一条新路：把骨骼嵌入到一个可变形的柔体体积中，让骨骼带动的不再是直接控制的点，而是通过模拟物理过程，产生形变结果。

整个框架有三个关键组件：

可微物理模拟器

• 基于 Material Point Method（MPM）实现；
• 使用连续介质力学理论，考虑应力应变、质量守恒、动量守恒等；
• 模拟真实物体在受力下的自然变形过程。

材料原型（Material Prototypes）

• 用少量的原型（如 25~100 个）代表不同区域的弹性材质；
• 每个原型有弹性模量（Young’s modulus）和泊松比（Poisson’s ratio）；
• 使用马氏距离在空间中进行插值分配，控制不同区域的材质响应。

驱动点系统（Driving Points）

• 类似于骨骼的 「虚拟关节」；
• 控制其速度即可间接控制变形；
• 初始化自传统 rigging 工具如 Pinocchio，并通过优化进行细化。

03 | 物理模拟与优化策略

为了实现从 「观察到的动画结果」 反推出 「内部骨骼运动和材质参数」

，PhysRig 提出了迭代式的反向绑定（Inverse Skinning）优化流程：

1. 固定骨骼速度，优化材料参数；

2. 固定材料参数，逐帧优化驱动点速度；

3. 两者交替迭代，直到收敛。

这种策略考虑了材料属性的 「时序一致性」与骨骼动作的 「逐帧局部性」，使得优化更稳定、高效。

04 | 全面评测与数据集

为了全面验证 PhysRig 的有效性，研究者构建了一个包含17 种角色（共 120 组动画序列）的数据集，涵盖：

• 人形角色（如 Michelle、Kaya）
• 四足动物（如豹子、猛犸、剑龙）
• 非常规生物（如鲨鱼、翼龙、眼镜蛇）
• 
  

对比对象包括：

• LBS + RigNet 初始化
• LBS + Pinocchio 初始化
• LBS + GT 初始化
• 以及 PhysRig 的初始和优化结果

采用指标包括用户评分（User Rating）和 Chamfer 距离（CD），PhysRig 在几乎所有类别上都显著优于传统方法，表现出更真实的动态效果。

05 | 拓展应用：动作迁移

PhysRig 不仅能从已有动画反推参数，还可以实现基于骨架角度的动作迁移（Pose Transfer）。

具体做法是：

1. 提取源动画的骨骼角度序列；

2. 将其传递给目标对象（如不同物种）；

3. 使用 PhysRig 生成自然形变的体积动画。

相比传统需要预测蒙皮权重的方法，PhysRig 不依赖显式权重预测，更适合处理结构差异大的对象（比如人到果冻怪的动作迁移）。

06 | 总结与展望

PhysRig 提供了一种从传统 rigging 迈向物理真实绑定的路径：

• 摆脱 LBS 线性模型的限制；
• 实现结构丰富、材质多样对象的自然变形；
• 与深度学习兼容，可用于可微优化与端到端训练；
• 为动画、游戏、影视、机器人仿真等领域打开新的思路。

目前，项目已在官网上线展示，并计划在 ICCV 2025 会议前后开源代码与数据集。未来还计划将其封装为 Blender 插件，面向动画艺术家提供可用工具。

如果你也对物理模拟和角色动画感兴趣，欢迎访问项目主页或与作者联系交流！