OmniRig

OmniRig是一个由清华大学深圳国际研究生院创建的大规模绑定数据集，包含79,499个具有详细骨架和蒙皮信息的网格模型。该数据集从多个来源收集和筛选而来，包括ModelResource、ObjaverseXL和互联网上公开可用的数据。数据集经过两阶段的过滤和后处理，以确保模型质量、多样性和完整性。OmniRig数据集覆盖了多种类别，包括复杂角色、简单角色、动物、海洋生物、鸟类、昆虫、植物等，适用于广泛的绑定应用。该数据集旨在促进三维绑定、姿态估计和动画合成等领域的研究。

OmniRig is a large-scale rigging dataset developed by Tsinghua University Shenzhen International Graduate School. It contains 79,499 mesh models with detailed skeleton and skinning information. The dataset is collected and filtered from multiple sources, including ModelResource, ObjaverseXL, and publicly available data on the Internet. It undergoes two-stage filtering and post-processing to guarantee model quality, diversity and integrity. The OmniRig dataset covers diverse categories such as complex characters, simple characters, animals, marine organisms, birds, insects and plants, and is applicable to a wide range of rigging-related applications. This dataset is intended to advance research in fields including 3D rigging, pose estimation and animation synthesis.

搜集汇总

数据集介绍

构建方式

OmniRig数据集的构建采用了严谨的两阶段流程，首先从ModelResource、ObjaverseXL及公开网络资源中筛选高质量3D模型，通过自动化与人工结合的方式剔除不符合标准的样本，确保骨架与蒙皮信息的准确性。随后对保留的79,499个模型进行后处理，包括顶点数据提取、类别标注（划分为8个语义类别）以及拓扑结构标准化，最终形成覆盖多领域的完整数据集。

特点

该数据集的核心特点体现在规模性与多样性两个维度：作为目前最大的绑定数据集，其包含79,499个带有精细骨架拓扑与蒙皮权重的模型，关节数量跨度从2至100个；类别覆盖从人形生物到昆虫、植物等非人形对象，突破了传统绑定数据局限于标准姿态的范式。每个样本均经过严格的质量验证，确保骨架结构与网格模型的几何对齐性，为跨类别泛化研究提供了坚实基础。

使用方法

研究者可通过加载FBX/GLB格式的网格与配套的骨架数据，直接用于训练端到端绑定算法。数据集已按20:1比例划分为训练集与测试集，支持关节预测（CD-J2J）、骨骼连接（CD-B2B）等任务的评估。对于条件生成任务，建议结合表面点采样与潜在扩散模型，利用提供的类别标签实现定向增强。此外，数据集内置的在线姿态增强模块可通过对关节位置施加随机变形来提升模型鲁棒性。

背景与挑战

背景概述

OmniRig数据集由清华大学深圳国际研究生院、香港中文大学（深圳）和上海人工智能实验室的研究团队于2025年推出，是首个面向多类别物体的自动化骨骼绑定（rigging）任务构建的大规模数据集。该数据集包含79,499个具有详细骨骼结构和蒙皮信息的3D模型，突破了传统基准数据集依赖标准姿势（如A-pose、T-pose）的局限，覆盖了复杂角色、动物、海洋生物等八类异构对象。其创新性体现在通过自回归模型ARMO统一预测关节位置与连接关系，解决了动态3D形状生成领域长期存在的静态模型主导问题，为动画制作、虚拟现实等应用提供了重要基础设施。

当前挑战

OmniRig面临的挑战主要体现在两个维度：领域问题层面，传统回归方法（如RigNet）在关节坐标预测与骨骼连接关系估计的多阶段流程中易产生误差累积，且最小生成树等贪婪算法难以处理复杂拓扑结构；数据构建层面，需克服ObjaverseXL等原始数据中骨骼-网格错位、解剖结构不合理等质量问题，通过两阶段过滤（自动化清洗+人工标注）确保多类别数据的几何一致性与运动合理性。此外，模型需应对非刚性变形物体的姿态多样性，其自回归框架在序列数据一致性保持和节点密度自适应控制方面仍有优化空间。

常用场景

经典使用场景

在计算机视觉与图形学领域，OmniRig数据集为3D角色动画的骨骼绑定研究提供了重要支撑。该数据集以其涵盖79,499个多类别网格模型及详细骨骼蒙皮信息的规模优势，成为训练自回归骨骼生成模型ARMO的核心资源。研究者通过该数据集可探索从静态网格到动态骨骼结构的端到端生成，尤其擅长处理复杂姿态下的人形、动物及昆虫等非刚性物体的骨骼预测问题。

衍生相关工作

OmniRig的发布推动了多项衍生研究：在骨骼生成方向，启发Drive框架提出扩散增强的自回归建模；在运动控制领域，MoRig等研究利用其多类别数据实现了非刚性运动迁移。数据集构建方法论更被后续工作如HumanRig借鉴，催生了面向特定领域（如医疗动画）的专项数据集，形成完整的动态3D生成研究生态。

数据集最近研究

最新研究方向

随着三维生成模型在静态形状生成方面取得显著进展，动态三维模型的自动绑定技术逐渐成为研究热点。OmniRig作为首个大规模绑定数据集，为多类别对象的骨骼预测和蒙皮技术提供了重要基准。当前研究前沿聚焦于自回归模型在骨骼结构预测中的应用，通过将骨骼结构建模为完整图并离散化为标记，实现了关节位置与连接关系的联合预测。这一方法有效解决了传统回归方法中存在的误差累积问题，并在跨类别泛化能力上展现出优势。近期工作还探索了基于潜在扩散模型的网格条件生成技术，进一步提升了骨骼预测的准确性。该数据集及其相关技术的出现，为三维动画制作、虚拟角色驱动等应用领域提供了更高效的解决方案，推动了动态三维内容生成技术的发展。

相关研究论文

• ARMO: Autoregressive Rigging for Multi-Category Objects

  清华大学深圳国际研究生院, 中国 · 2025年