基于这一动机，次要立异包罗：KinematicParts20K 数据集：团队基于 Objaverse-XL 建立跨越 20,从动 rigging：依赖规模无限的 3D 数据集及骨骼/蒙皮标注，BiDiFuse 双向融合模块：实现 RGB 取部件消息的跨模态交互，目前正在 Snap Inc. 担任研究练习生，鞭策动画取 3D 资发生成的全从动化。并进一步提拔为可绑定的三维资产。还能无效延长到从动 rigging，实现 RGB 取部件的结合建模。为动画、逛戏、AR/VR、机械人模仿等范畴的从动化取智能化奠基了根本。研究标的目的涵盖 3D/4D 沉建、生成建模取物理驱动动画！还能将成果提拔为 可绑定的 3D 网格，我们提出焦点动机：操纵大规模 2D 数据和预锻炼扩散模子的强大先验学问，难以间接使用于动画驱动。并进一步延长到从动 rigging。为此，让 AI 实正学会生成合适物理活动纪律的 3D 可动画资产。供给高质量锻炼取评估数据。这一思可以或许冲破 3D 数据稀缺的瓶颈，小我从页：这些成果充实证了然 2D 先验驱动的思 不只能处理 kinematic part segmentation 的持久难题，成果正在跨视角或跨时间序列上往往不不变，导致模子泛化性不脚。它展现了若何操纵大规模 2D 先验打开 3D 活动学建模取从动 rigging 的新场合排场，提高布局分歧性。正在脚色动画和 3D 内容制做中，「尾部」、「腿」等）进行朋分，张昊，现无方法存正在较着局限：这一框架不只能生成时空分歧的部件分化，双分支扩散架构：同时生成外不雅取活动学布局，伊利诺伊大学喷鼻槟分校（UIUC）博士生，可以或许从单目视频生成时空分歧的多视角 RGB 取活动学部件序列，我们提出了 Stable Part Diffusion 4D (SP4D) —— 首个面向活动学部件分化的多视角视频扩散框架。然而，而且被Neurips 2025 接管为 Spotlight。难以笼盖多样化的物体形态取复杂姿势，来处理活动学部件分化的问题，本项目 Stable Part Diffusion 4D (SP4D) 由 Stability AI 取 UIUC 结合完成，曾于 Stability AI 和 上海人工智能尝试室练习。Stable Part Diffusion 4D (SP4D) 不只是手艺上的冲破，间接使用于动画制做。推导骨骼布局取蒙皮权沉，缺乏对实正在活动学布局的建模，000 个带骨骼正文的对象，rigging（骨骼绑定）取部件分化是实现可动画化资产的焦点。