静止3Dモデルを自動でアニメーション化する「MagicArticulate」

AI を使って静止した 3D モデルを生成すること自体は手軽になりましたが、それをゲームやアニメーションで動かせるようにする作業は、今でも専門スタッフによる骨組み（スケルトン）の配置やスキニング処理が必要です。

CVPR 2025 に採択された研究 MagicArticulate は、この複雑なリギング工程を完全に自動化し、静止した 3D メッシュをそのままアニメーション可能なアセットへと変換するフレームワークを提案しています。

骨組みの生成をシーケンス問題として解く

従来の自動リギング手法は、人型など特定の骨格テンプレートに依存しがちで、関節の数や構造が異なる多種多様なモデルへの対応が苦手でした。

MagicArticulate は、スケルトン生成を言語モデルのようなシーケンスモデリング問題として再定義しました。中核となるのは自己回帰型の Transformer です。

まず入力された 3D メッシュの表面から点群をサンプリングし、固定長の形状トークンへエンコードします。これを開始トークンとして与えることで、Transformer が関節や骨の依存関係を考慮しながら順次トークンを自己回帰的に予測していきます。

この設計により、モデルごとに骨の数が異なっていても柔軟に対応できるようになりました。論文では空間的な順序付けと階層的な順序付けの比較も示されています。

拡散モデルによるスキニングと 4 万件超のデータセット

骨組みを配置した後の課題は、関節の動きに合わせてメッシュ表面が自然に変形するよう重み付けを行うスキニング処理です。

MagicArticulate では、頂点と関節の間の体積測地線距離プライアを組み込んだ関数型拡散プロセスを用いてスキニングウェイトを予測します。

既存の代表的な手法である RigNet や GVB（Geodesic Voxel Binding）と比較しても、多様なカテゴリで大幅に優れた品質を達成したと報告されています。

さらに研究チームは、学習基盤の不足を解消するために Objaverse-XL から精選した 3.3 万件超の高品質な関節アノテーション付きデータセット Articulation-XL を構築しました。現在はすでに 4.8 万件を超える Articulation-XL 2.0 へと拡張されています。

なぜ重要か

3D 生成技術がどれだけ進化しても、骨組みが入っておらず動かせないモデルは、ゲームやメタバースの現場では単なる置物にすぎません。静止アセットから動くアセットへの変換は、制作現場における最大のボトルネックでした。

MagicArticulate が実用化されれば、個人クリエイターや小規模なゲーム開発スタジオでも、AI 生成したキャラクターをすぐに動かしてエンジンに組み込めるようになり、制作コストの大幅な圧縮が期待できます。

技術的アプローチとしても、骨格生成を Transformer による可変長シーケンス予測に落とし込んだ発想は秀逸で、形状への汎用性を一気に引き上げました。また、拡散モデルに幾何学的な距離プライアを組み合わせたことで、破綻の少ない変形を実現しています。

4.8 万件規模のデータセットが整備された意義も極めて大きく、これによって 3D キャラクター制作パイプライン全体の自動化研究が一段と加速するとみられます。