UniMate发布全记录：从数据集到训练推理代码的5大里程碑

UniMate发布全记录：从数据集到训练推理代码的5大里程碑

【免费下载链接】UniMate[SIGGRAPH Asia 2026] UniMate: One Unified Model to Animate Diverse Skeletons项目地址: https://gitcode.com/GitHub_Trending/un/UniMate

UniMate 是 SIGGRAPH Asia 2026 收录的统一运动生成模型：给定任意骨骼 3D 资产和一句文本提示，它就能实时生成对应的骨骼动画——无需针对每个骨架重新训练，也无需测试时优化。从 2026 年 7 月论文录用到 9 月训练与推理代码全部开源，项目仅用两个月就走完了从数据集、数据处理管线到完整代码的"全记录"。本文带你按时间线回顾这 5 大里程碑，并附上新手友好的上手路径 🎬

核心亮点速览

时间	里程碑	关键词
2026-07-18	论文被 SIGGRAPH Asia 2026 接收	学术成果
2026-08-01	3D 交互式 Demo 上线	在线体验
2026-08-30	UniML3D 数据集开源	13,006 条文本-运动配对
2026-08-30	六阶段数据处理管线开源	下载→导出→渲染→打标→关节标注→特征提取
2026-09-06	训练 + 推理代码 + 预览权重开源	完整复现

里程碑一：2026-07-18，论文录用 SIGGRAPH Asia 2026 🎉

UniMate 的名字来自 "Unified Mate"（统一伙伴）：一个模型通吃双足人形、四足动物、鸟类、海洋生物、昆虫、蛇形骨架，甚至铰接刚体（机器人、卫星、花朵）等截然不同的骨骼拓扑。

它的统一性来自三件事：

• 拓扑条件化：每个对象的骨架结构（父子关系、拓扑距离、图拉普拉斯特征等）被打包进cond.npy作为条件输入；
• 规范化对齐：所有运动统一做朝向对齐、居中、按直径缩放、接地处理；
• 共享解剖词汇表：不同骨骼的关节名被清洗成统一的解剖学名称，让"同一种关节"在所有骨架中获得相同嵌入。

📄 项目完整说明见 README.md

里程碑二：2026-08-01，3D 交互式 Demo 上线

代码还没放出前，官方先开放了 Interactive Demo，可以在网页里直接以 3D 形式浏览各物种的动画生成结果。对新用户来说，这是理解"文本 → 动画"效果的最快途径——看一只狗匀速行走、一条飞龙扇翅起飞，比读十页论文都直观。

里程碑三：2026-08-30，UniML3D 数据集开源

同一天，大规模数据集UniML3D发布：包含13,006 条带文本描述的运动序列，覆盖 7 大类身体结构，全部经过统一规范化处理。数据集汇聚了三大来源：

来源	内容
Mixamo	人形角色动画（单一骨架）
Truebones ZOO	动物动作包（商业授权，需自行购买动作文件）
Objaverse-XL	10,000+ 带骨骼的 3D 资产（机器人、卫星、植物等）

对研究者最有价值的一点：数据中每条运动都配有短文本描述 + 骨骼拓扑条件，天然适配 flow matching / diffusion 这类生成式训练。

里程碑四：数据处理管线开源，六阶段全流程可复现

随数据集一起放出的，是完整的数据处理管线（data_process/README.md 有逐阶段说明）。整条流水线分为六步，每一步都有独立的 bash 入口脚本，且全部支持断点续跑：

1. 下载— data_process/scripts/run_download.sh
2. 导出— Blender 无头模式把 FBX/GLB 转成 NPZ 运动数据（data_process/motion_export/）
3. 渲染— EEVEE 四相机多视角渲染，供视觉模型打标（data_process/motion_rendering/）
4. 打标— 视觉模型生成运动描述与身体结构分类（data_process/vlm_caption/）
5. 关节标注— 规则 + LLM 双通道清洗关节名、选取朝向关节对（data_process/joint_annotation/）
6. 特征提取— 规范化为训练片段并写出cond.npy（data_process/feature_extraction/）

新手提示：如果只是想复现训练数据，不必跑前 5 步——直接下载 UniML3D 后执行阶段 4 的提取脚本即可，管线文档在 data_process/README.md 的 Quick Start 一节有现成命令。

里程碑五：2026-09-06，训练与推理代码全量开源

这是普通用户最关心的一步：模型怎么训、怎么推理、零训练还能做什么，全部开箱即用。

一键获取代码与环境

git clone https://gitcode.com/GitHub_Trending/un/UniMate conda create -n unimate python=3.10 -y conda activate unimate pip install -r requirements.txt --no-build-isolation

全部组件共用一个 conda 环境，依赖见 requirements.txt。

训练：8 个现成配置，两轴自由组合

训练入口是 unimate/training/train.py，配置集中在 configs/，命名规则为{数据集}_{帧数}_{注意力}_{文本条件}.json：

• 注意力：graph_adaln（空间/时间解耦 + 图距离偏置）或full_cross_attn（联合注意 + 交叉注意）；
• 数据：完整 UniML3D、Truebones、Mixamo、Objaverse 四种组合。

单卡一行启动（scripts/run_train.sh 已封装好选卡与环境激活）：

accelerate launch -m unimate.training.train --config configs/uniml3d_60frames_graph_adaln.json

训练采用flow matching目标，配合 EMA 权重与断点恢复——--resume可以精确接续到中断的那一步。模型主体在 unimate/models/（去噪网络、扩散/flow 模块、T5 文本编码器），核心实现如 unimate/models/denoiser/graph_adaln.py。

推理：文本生成运动，无需重训

给定一个骨骼资产和一句 prompt，模型直接生成动画特征（T, J, 12），再经 data_process/mesh_animation/ 驱动原始网格，导出带动画的 GLB/FBX。入口 unimate/inference/sample.py 支持 CFG 引导、固定种子、批量采样等参数，封装脚本为 scripts/run_sample_motion_text.sh。

零训练三大应用：同一套权重的"替换式采样"

妙处在于：以下三个应用不需要任何额外训练，原理都是"钉住已知信号、只去噪其余部分"，约束被精确保持：

① 动作补帧（In-betweening）— 钉住关键帧，自动生成中间过渡，scripts/run_sample_motion_inbetween.sh

② 文本引导动作编辑（Motion Editing）— 钉住指定关节（如躯干），用新 prompt 重新生成其余部分，实现"保持主体、换掉动作"，unimate/inference/motion_editing.py

③ 动作扩展（Motion Expansion）— 把多段 prompt 首尾衔接，链式生成长动作序列，scripts/run_sample_motion_expand.sh

写在最后

两个月内，UniMate 完成了从"一篇论文"到"数据集 + 管线 + 训练 + 推理 + 权重"的完整开源闭环 🚀。它诚实地声明自己是"通向任意骨架文本生成动画的早期一步"——仍有不少运动与骨架会失败，而扩充训练数据（从智能体蒸馏或从视频生成）是团队给出的下一步方向。

想动手试水，最短路径是：克隆仓库 → 配好环境 → 下载 UniML3D → 跑 scripts/run_train.sh 复现训练，再用 scripts/run_sample_motion_text.sh 生成你的第一条文本驱动动画。代码遵循 MIT 协议，动手就完事了 💪

【免费下载链接】UniMate[SIGGRAPH Asia 2026] UniMate: One Unified Model to Animate Diverse Skeletons项目地址: https://gitcode.com/GitHub_Trending/un/UniMate