UniML3D

UniML3D是一个大规模异构运动数据集，由普林斯顿大学等机构联合创建，旨在为跨拓扑骨架动画模型提供训练基础。该数据集包含13,006个动画序列（约20小时），覆盖两足、四足、鸟类、海洋、昆虫、蛇形及关节刚体等多种骨架类型，并配有3,584个独特的文本提示。数据源自Truebones、Mixamo和Objaverse-XL等公开资源，经过严格过滤、统一规范化处理及在线骨架增强，确保了跨骨架类型的表示一致性。该数据集主要用于训练文本驱动的通用骨架动画生成模型，解决传统动画方法拓扑受限、需逐骨架微调等问题，并支持零样本跨拓扑迁移、运动插补与文本编辑等下游任务。UniML3D is a large-scale heterogeneous motion dataset jointly created by Princeton University and other institutions, aiming to provide a training foundation for cross-topology skeleton animation models. This dataset contains 13,006 animation sequences (totaling approximately 20 hours), covering various skeleton types including bipedal, quadrupedal, avian, marine, insect, serpentine, and articulated rigid bodies, and is equipped with 3,584 unique text prompts. The data is sourced from public resources such as Truebones, Mixamo and Objaverse-XL, and has undergone strict filtering, unified standardization processing and online skeleton augmentation to ensure consistent representation across different skeleton types. This dataset is mainly used to train text-driven general-purpose skeleton animation generation models, addressing the limitations of traditional animation methods such as topology restriction and the need for per-skeleton fine-tuning, and supports downstream tasks including zero-shot cross-topology transfer, motion inpainting and text-based motion editing.

原始信息汇总

数据集详情总结

数据集名称

UniML3D（用于训练 UniMate 模型的数据集）

基本描述

UniML3D 是一个为训练跨骨骼拓扑动画生成模型而专门整理的大规模运动数据集，支持文本驱动的骨骼动画生成任务。数据集将三类互补的原始数据源进行统一处理，最终得到包含13,006 条运动序列的高质量标注数据。

覆盖范围

• 骨骼类型：双足、四足、禽类、海洋生物、昆虫形、蛇形以及可动刚性物体。
• 含详细的骨骼结构标注，且每条序列配有一个语义一致的文本提示语。

数据来源

• Truebones
• Mixamo
• Objaverse-XL

数据处理流水线

对每条原始数据执行三类共 15 步处理，具体包括：

阶段	处理滤波器矩阵	主要操作
筛选（filter）	1-5	保留主骨架树、重设根关节点位、移除虚拟关节（IK 控制器、零蒙皮权重辅助骨）、丢弃静态或物理上不合理序列
标注（annotate）	6-9	标准化关节命名（通过 LLM 统一为解剖学词汇表）、30 FPS 重采样并渲染四视角视图、使用多模态 LLM 自动生成文本提示、逐条人工复核
规范化（canonicalize）	10-15	广度优先序列化关节顺序、按拓扑直径缩放、规范坐标帧（y 轴朝上、根在原点）、对齐初始朝向（由对称髋部确定）、将旋转表示为相对于静止姿势、进行特征统计归一化

应用价值

• 训练后的 UniMate 模型在质量、泛化能力及效率上超越现有基线。
• 支持零样本跨拓扑迁移、运动补间（in-betweening）、运动扩展（expansion）和文本引导编辑等下游能力。

搜集汇总

数据集介绍

构建方式

在三维角色动画领域，现有运动生成方法受限于固定骨架模板，难以泛化至异构拓扑结构。为突破这一瓶颈，UniML3D数据集应运而生，其构建依托于多源数据融合与严格的自动化清洗流程。数据集汇集了Truebones、Mixamo及Objaverse-XL三大来源的动画资源，涵盖两足、四足、鸟类、水生、昆虫、蛇形及关节化刚体等多样化骨架类型。构建过程首先执行基于骨架的筛选，包括单树剪枝、根关节重对齐、虚关节移除、静态片段剔除及不合理运动过滤，确保每段动画具备运动有效性与物理合理性。随后，通过大语言模型统一关节命名，并借助多模态大模型为渲染视频生成文本描述，实现语义标注。最后，通过统一规范化流程同步骨架序列化、尺寸缩放、朝向对齐及旋转基准统一，构成大规模、跨拓扑的运动-文本配对训练语料。

使用方法

该数据集专为训练和评估拓扑无关的文本驱动角色动画模型而设计，尤其适配如UniMate这类基于扩散变换器的生成框架。使用时，研究人员将规范化后的骨架与运动序列作为输入，联合文本提示共同驱动模型的优化迭代。数据集中的统一表示格式——涵盖关节位置、旋转及速度的多维度特征表示——支持模型在异构骨架间共享运动先验，实现零样本跨拓扑运动迁移、关键帧间插值、长序列扩展及文本引导编辑等下游应用。其标准化的评估协议，包括留出特定骨架族作为不可见测试集，能够客观度量模型在生成质量与泛化能力上的表现。UniML3D亦适合用于预训练大模型，以发掘异质结构间的共享运动模式，从而加速三维内容创作流程的效率提升。

背景与挑战

背景概述

UniML3D数据集由普林斯顿大学、加州大学伯克利分校、麻省理工学院及南洋理工大学的研究人员于2026年构建，旨在解决三维角色动画中异构骨骼运动生成的核心难题。随着自动蒙皮技术的进步，大规模生成骨骼完备的三维资产成为可能，但赋予这些资产以生动运动仍依赖繁琐的人工关键帧或逐资产优化，成为自动化创作管线的瓶颈。UniML3D应运而生，汇集13,006段涵盖双足、四足、鸟类、海洋、昆虫、蛇形及铰接刚性物体的运动序列，配以3,584条文本描述，并通过统一的规范化流程实现跨拓扑表示。该数据集支撑了UniMate模型的训练，实现了基于文本与骨骼的通用动画合成，显著推动跨拓扑运动生成领域的发展，为三维内容创作提供了规模化、可控的动画解决方案。

当前挑战

UniML3D的构建面临双重挑战。领域层面，传统运动生成模型受限于固定骨骼模板或依赖逐骨骼微调，难以泛化至任意拓扑结构，而真实骨骼在关节数量、运动模式上的高度异质性进一步加剧了建模难度；同时，跨拓扑的文本-运动配对数据极度稀缺，现有基准多集中于人类或有限四足动物，缺乏对罕见形态的有效覆盖。构建过程中，原始四维数据来源（如Truebones、Objaverse-XL）普遍存在噪声与不一致性，包括断开的运动树、错误根关节、伪关节及不合理的运动片段，需经过严格的多阶段筛选与净化。此外，不同来源的坐标框架、朝向定义及骨骼命名差异要求统一的规范化处理，而类别分布的极度不均衡（如蛇形仅占0.3%）也需借助平衡采样与增强策略来缓解，以确保数据质量与覆盖度足以支撑跨拓扑泛化学习。

常用场景

经典使用场景

UniML3D数据集作为跨拓扑骨骼动画生成领域的基石性资源，其最经典的使用场景在于支撑文本驱动的任意骨骼三维角色动画合成。研究者利用该数据集的13,006条运动序列与3,584个文本提示，训练具备拓扑感知能力的扩散变换器模型，从而实现对双足、四足、鸟类、海洋生物、昆虫、蛇形及铰接刚体等多种形态骨骼的统一动画生成。该数据集的核心价值在于其统一的规范化处理与丰富的类别覆盖，使得模型能够在单一框架下学习跨骨骼共享的运动先验，无需针对特定骨架进行微调，为新一代通用动画基础模型提供了坚实的训练与评测基础。

解决学术问题

该数据集有效解决了动画生成领域中长期存在的拓扑约束难题与跨形态运动数据匮乏问题。以往的运动生成模型受限于特定骨架模板，难以泛化至非标准拓扑结构，而UniML3D通过整合多源数据并经过严格的过滤、规范化与在线骨骼增强，构建了迄今最大规模的异构骨骼运动语料库。它使得研究者能够探索骨骼拓扑作为显式输入的运动建模方法，推动了对图结构感知注意力、谱域旋转位置编码等技术的验证与发展，显著提升了运动生成的质量、泛化能力与效率，为跨拓扑运动迁移、插值及编辑等研究任务提供了统一的数据支撑。

实际应用

在实际应用层面，UniML3D数据集为电影制作、游戏开发、虚拟现实及机器人仿真等领域的3D内容创作流程提供了高效的动画生成方案。它支持用户仅通过自然语言提示与静态绑定模型即可快速获得逼真且风格多样的角色动作，极大地缩短了传统手动关键帧或动作捕捉所需的时间成本。该数据集所训练的模型具备零样本跨拓扑运动转移能力，能够实现动作补间、序列扩展及文本引导的局部编辑等交互式功能，为数字内容创作者提供了灵活的控制手段与实时的反馈体验，加速了从静态资产到动态场景的工业化生产步伐。

数据集最近研究

最新研究方向

在三维角色动画领域，近期研究正从针对特定拓扑结构的运动合成范式，迈向能够统一驱动任意骨骼拓扑的统一模型探索。UniML3D数据集正是在这一背景下应运而生，其构建了涵盖两足、四足、鸟类、水生、昆虫、蛇形及铰接刚体等多达七类形态的13006条运动序列，并配套了3584个文本提示，为跨拓扑运动学习提供了前所未有的数据支撑。该数据集紧密关联以大语言模型驱动的自动蒙皮与程序化资产生成等热点事件，其意义在于突破了传统动画管线中运动数据匮乏的瓶颈，通过统一的数据规范化和在线骨骼增强策略，为训练诸如UniMate这类拓扑感知的扩散模型奠定了基础，进而极大推动了自动化三维内容创作在交互速度与多功能性方面的发展。

相关研究论文

• UniMate: One Unified Model to Animate Diverse Skeletons

  普林斯顿大学; 加利福尼亚大学伯克利分校; 麻省理工学院; 南洋理工大学 · 2026年