圖 1：同一文本描述下，AnimateAnyMesh（上）與 BiMotion（下）的生成結(jié)果對比。離散幀采樣導(dǎo)致動作語義中途斷裂，而連續(xù) B 樣條曲線則將完整動作保留至序列末尾。

• 論文標題：BiMotion: B-spline Motion for Text-guided Dynamic 3D Character Generation
• 論文：https://arxiv.org/abs/2602.18873
• 項目主頁：https://wangmiaowei.github.io/BiMotion.github.io/
• 代碼：https://github.com/wangmiaowei/BiMotion
• 數(shù)據(jù)集（Hugging Face）：https://huggingface.co/datasets/miaoweiwang/BiMotion
• 第一作者主頁：https://wangmiaowei.github.io/

當你希望 AI 將 "士兵舉起手臂，向后傾身，然后身體向前撲倒" 這段文字轉(zhuǎn)化為一段 3D 角色動畫，現(xiàn)有大多數(shù)方法給出的答案是：一段搖搖晃晃、語義殘缺的短片段。這并非模型能力不足，問題的根源在于將運動表達為逐幀離散序列這一根本性的設(shè)計決策。

來自愛丁堡大學、康奈爾大學和密歇根大學的研究團隊提出了 BiMotion：一種基于 B 樣條曲線的文本驅(qū)動 3D 角色運動生成框架，即將在 CVPR 2026 正式發(fā)表，三位審稿人均給出 5/6 的高分評價。其核心主張只有一句話：運動是連續(xù)的，就應(yīng)該用連續(xù)的方式來表達。

離散幀的困境：

為什么現(xiàn)有方法總在 "丟情節(jié)"

目前主流 3D 運動生成方法大多采用 VAE–潛在擴散模型架構(gòu)，該架構(gòu)具有固定的輸入窗口，每次只能處理固定幀數(shù)的運動序列。面對長度各異的真實運動數(shù)據(jù)，現(xiàn)有方法只有兩條路：

• 裁剪（Cropping）：將長序列切割為短片段，模型僅能學到局部子動作，而非完整語義。如文本描述 "轉(zhuǎn)圈后停步"，模型最終只能生成 "向右轉(zhuǎn)"。
• 均勻降采樣（Downsampling）：將 200 幀壓縮至 16 幀再復(fù)原，導(dǎo)致動作卡頓抖動，如同一份低幀率的 GIF。

問題的本質(zhì)在于：幀數(shù)僅代表時間采樣密度，與動作語義本身無關(guān)。一只龍扇翅膀的動作，用 24 幀記錄還是 120 幀記錄，語義始終是 "扇翅膀"。逐幀離散表示，是這一領(lǐng)域長期忽視的根本性瓶頸。

B 樣條：用少數(shù)控制點，刻畫完整軌跡

BiMotion 的核心思路是將每個頂點隨時間的運動軌跡，用一條連續(xù)可微的 B 樣條曲線來表達。B 樣條是計算機圖形學中的經(jīng)典參數(shù)曲線，僅用少量 "控制點" 便可描述一條光滑連續(xù)的軌跡；修改其中一個控制點只影響局部區(qū)域，不會破壞整體形狀。

具體實現(xiàn)上，BiMotion 將任意長度 T 的頂點位移序列，通過帶 Laplacian 正則化的最小二乘擬合，壓縮為固定數(shù)量（默認 16 個）控制點。該壓縮具有閉合解，在普通消費級 CPU 上，對 5 萬頂點、200 幀的網(wǎng)格，不到一秒即可完成。Laplacian 正則專門處理序列極短時的欠定義問題，相比 Ridge 正則，其生成的插值更自然、過渡更流暢，消融實驗對此給出了明確驗證。

模型架構(gòu)：從控制點到可生成的運動潛空間

圖 2：BiMotion 整體架構(gòu)。訓練時（紅色箭頭）頂點差異轉(zhuǎn)化為 B 樣條控制點后編碼為運動潛碼；推理時（黑色箭頭）從噪聲采樣得到控制點，經(jīng) B 樣條重投影還原為任意長度的動畫序列。

BiMotion 整體采用 VAE 加 Rectified Flow Matching 的兩階段架構(gòu)。

B 樣條 VAE

編碼器將初始網(wǎng)格形狀與控制點一并壓縮為緊湊的運動潛碼，其中包含兩項關(guān)鍵設(shè)計：

• 法線融合（Normal Fusion）：將頂點法線信息以余弦相似度加權(quán)的方式融入點特征，有效解決網(wǎng)格上空間相近但內(nèi)在結(jié)構(gòu)屬于不同部位（如手指關(guān)節(jié)）難以區(qū)分的問題，且無需依賴網(wǎng)格特定的拓撲結(jié)構(gòu)，對任意拓撲均表現(xiàn)穩(wěn)健。
• 多層級控制點嵌入（Multi-level Control Point Embedding）：受小波包分解啟發(fā)，將控制點逐層分解為從粗到細的多級殘差并分別編碼。相比標準頻率位置編碼，這種方式能同時捕捉運動的全局節(jié)奏與局部細節(jié)（如獅子尾巴的微小擺動），重建誤差大幅降低。

圖 3：B 樣條 VAE 架構(gòu)。編碼器（橙色區(qū)域）將初始形狀與控制點壓縮為潛碼；解碼器（綠色區(qū)域）重建控制點后通過 B 樣條重投影得到頂點差異序列。

損失函數(shù)設(shè)計

VAE 訓練采用三項聯(lián)合損失：擬合損失（直接對齊控制點）、對應(yīng)損失（通過 B 樣條重投影對齊原始軌跡，早期訓練收斂更快）、局部剛性損失（約束相鄰頂點間距在各幀保持一致，防止形變時產(chǎn)生表面 "融化" 的視覺偽影）。三項損失各司其職、互為補充，共同保證運動的精度、連續(xù)性與形狀一致性。

運動生成（Flow Matching DiT）

生成階段基于 Rectified Flow 與 Diffusion Transformer（DiT），以初始網(wǎng)格的潛碼和 CLIP 文本嵌入為條件，從高斯噪聲中逐步去噪并采樣出運動潛碼，再經(jīng) VAE 解碼器還原為完整動畫序列。由于 B 樣條重投影對幀數(shù)完全自由，推理時可按需輸出任意長度的動畫，如慢動作或子彈時間鏡頭。單張 A100 上平均推理時間僅為 4.4 秒。

BIMO 數(shù)據(jù)集：約 3.9 萬條帶文本標注的動態(tài)網(wǎng)格序列

為訓練 BiMotion，團隊整理并將開放 BIMO 數(shù)據(jù)集，包含約 39,000 條動態(tài)網(wǎng)格運動序列、總計逾 368 萬幀，涵蓋動物、機器人、人體、道具等多種類別。每條序列配有 3 條高質(zhì)量文本描述，全部展開為 16 個 B 樣條控制點存儲，便于直接使用。

DeformingThings4D 部分來自 OmniMotionGPT 的人工標注；Objaverse 部分則通過基于 GPT-5 的自動標注流水線生成，配備生成器與質(zhì)檢器兩個環(huán)節(jié)，確保描述的準確性和風格一致性。

實驗結(jié)果：全面領(lǐng)先，效率顯著提升

圖 4：定性對比。左列：機器人與鹿的動作對比；右列：老虎與行走機器人的動作對比。紅圈標注基線方法產(chǎn)生的形變偽影，BiMotion 均表現(xiàn)清晰自然。

團隊在 20 個靜態(tài)網(wǎng)格上與三類代表性方法展開全面對比：前饋生成方法 AnimateAnyMesh、動態(tài)高斯生成方法 GVFDiffusion，以及基于視頻優(yōu)化重建的 V2M4。網(wǎng)格來源涵蓋 Meshy 生成資產(chǎn)與現(xiàn)有 3D 內(nèi)容庫，屬于所有基線中最為嚴格的評測設(shè)置之一。

在 VBench 自動評估的 5 項指標中，BiMotion 在整體一致性、時序穩(wěn)定性、美學質(zhì)量和動作豐富度四項均居最優(yōu)。其主體一致性略低于 AnimateAnyMesh，但消融實驗已揭示該差距為虛高：后者生成的動作幅度極小、近乎靜止，相鄰幀高度相似，致使該指標人為偏高。

20 位參與者的用戶研究中，BiMotion 在 "文本與動作匹配度"、"動作合理性"、"動作表現(xiàn)力" 三個維度的平均得分均超過 4.0/5.0，遠高于所有對比方法。效率方面，網(wǎng)格頂點規(guī)模從 9K 增至 24K 時，BiMotion 生成時間僅從 3.7 秒微增至 4.6 秒，峰值顯存從 1.1 GB 小幅升至 1.3 GB；而 AnimateAnyMesh 在同等條件下時間與顯存均翻倍以上，充分體現(xiàn) BiMotion 面向大規(guī)模網(wǎng)格的更強可擴展性。

局限性與未來展望

BiMotion 目前固定使用 16 個控制點，對高頻、極復(fù)雜運動細節(jié)的表達能力仍有提升空間；同時基于固定網(wǎng)格拓撲的假設(shè)，暫不支持拓撲變化（如角色分裂、融合）的動畫生成。當前 BIMO 數(shù)據(jù)集規(guī)模（約 3.9 萬條）相較于視頻或圖像領(lǐng)域仍偏小，引入更大規(guī)模數(shù)據(jù)有望進一步提升質(zhì)量與泛化能力。代碼與 BIMO 數(shù)據(jù)集現(xiàn)已全部開源，歡迎社區(qū)共同建設(shè)。

作者簡介：

Miaowei Wang, 目前是愛丁堡大學信息學院的博士研究生（2023年10月入學），研究方向為計算機視覺與計算機圖形學中的可控運動表征（controllable motion representation)。他的博士研究由Amir Vaxman教授和Oisin Mac Aodha教授共同指導(dǎo)。 在此之前，他曾就讀于密歇根大學電氣工程與計算機科學系，在Jason Corso教授的指導(dǎo)下完成研究生學習。