CVPR 2026 | BiMotion：用 B 樣條曲線重新定義 3D 角色運動生成

圖 1：同一文本描述下，AnimateAnyMesh（上）與 BiMotion（下）的生成結果對比。離散幀采樣導致動作語義中途斷裂，而連續 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
• 數據集（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" 這段文字轉化為一段 3D 角色動畫，現有大多數方法給出的答案是：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 樣條曲線的文本驅動 3D 角色運動生成框架，即將在 CVPR 2026 正式發表，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：運動是連續的，就應該用連續的方式來表達。

離散幀的困境：

為什么現有方法總在 "丟情節"

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

• 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 "轉圈后停步"，模型最終只能生成 "向右轉"。
• 均勻降采樣（Downsampling）：將 200 幀壓縮至 16 幀再復原，導致動作卡頓抖動，如同一份低幀率的 GIF。

問題的本質在于：幀數僅代表時間采樣密度，與動作語義本身無關。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，是這一領域長期忽視的根本性瓶頸。

B 樣條：用少數控制點，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，用一條連續可微的 B 樣條曲線來表達。B 樣條是計算機圖形學中的經典參數曲線，僅用少量 "控制點" 便可描述一條光滑連續的軌跡；修改其中一個控制點只影響局部區域，不會破壞整體形狀。

具體實現上，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：從控制點到可生成的運動潛空間

圖 2：BiMotion 整體架構。訓練時（紅色箭頭）頂點差異轉化為 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 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。

B 樣條 VAE

編碼器將初始網格形狀與控制點一并壓縮為緊湊的運動潛碼，其中包含兩項關鍵設計：

• 法線融合（Normal Fusion）：將頂點法線信息以余弦相似度加權的方式融入點特征，有效解決網格上空間相近但內在結構屬于不同部位（如手指關節）難以區分的問題，且無需依賴網格特定的拓撲結構，對任意拓撲均表現穩健。
• 多層級控制點嵌入（Multi-level Control Point Embedding）：受小波包分解啟發，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奏與局部細節（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。編碼器（橙色區域）將初始形狀與控制點壓縮為潛碼；解碼器（綠色區域）重建控制點后通過 B 樣條重投影得到頂點差異序列。

損失函數設計

VAE 訓練采用三項聯合損失：擬合損失（直接對齊控制點）、對應損失（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 VAE 解碼器還原為完整動畫序列。由于 B 樣條重投影對幀數完全自由，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 數據集：約 3.9 萬條帶文本標注的動態網格序列

為訓練 BiMotion，團隊整理并將開放 BIMO 數據集，包含約 39,000 條動態網格運動序列、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，配備生成器與質檢器兩個環節，確保描述的準確性和風格一致性。

實驗結果：全面領先，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生的形變偽影，BiMotion 均表現清晰自然。

團隊在 20 個靜態網格上與三類代表性方法展開全面對比：前饋生成方法 AnimateAnyMesh、動態高斯生成方法 GVFDiffusion，以及基于視頻優化重建的 V2M4。網格來源涵蓋 Meshy 生成資產與現有 3D 內容庫，屬于所有基線中最為嚴格的評測設置之一。

在 VBench 自動評估的 5 項指標中，BiMotion 在整體一致性、時序穩定性、美學質量和動作豐富度四項均居最優。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，網格頂點規模從 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 BiMotion 面向大規模網格的更強可擴展性。

局限性與未來展望

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

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。 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教授的指導下完成研究生學習。