V2M4团队 投稿
量子位 | 公众号 QbitAI
只需一段视频，就可以直接生成可用的4D网格动画？！
来自KAUST的研究团队提出全新方法V2M4，能够实现从单目视频直接生成高质量、显式的4D网格动画资源。这意味着无需NeRF/高斯点后处理，可直接导入游戏/图形引擎。
该方法构建了一个系统化的多阶段流程，涵盖相机轨迹恢复、外观优化、拓扑统一、纹理合成等关键步骤，让视频“秒变模型”，大幅提升动画与游戏内容的生成效率与可用性。
论文已被ICCV 2025正式接收。
结果显示，其生成的外观和结构高度还原，平均每帧仅需约60秒处理，比现有方法显著提速；而且还支持「长视频」，在300帧时长的视频上依然表现优异
视频生成4D动画模型有多难？
从一段视频生成连续动画网格资产，一直是视觉计算长期未解的问题：传统动画制作需依赖多摄像头、动捕设备、人工建模等高成本手段。隐式方法如NeRF虽能复现外观，却难以直接输出拓扑一致的显式网格。
而近期的原生3D生成模型能够重建出高质量的3D网格，但常常存在姿态错位、拓扑不一致、纹理闪烁等问题。
在该工作中，V2M4首次展示了利用原生3D生成模型，从单目视频生成可用4D网格动画资产的可能性，并展现了其视觉效果与实用性。
V2M4提出一套系统化的五阶段方法，直接从单目视频构建可编辑的4D网格动画资产。该方法以“生成高质量显式网格+拓扑一致+纹理统一”为目标，从结构、外观、拓扑和时序角度逐步优化模型，输出可直接用于图形/游戏引擎的4D动画文件。
相机轨迹恢复与网格重定位
由于原生3D生成模型输出的每帧网格常处于标准坐标系中心并且朝向固定，因此直接采用原生3D模型生成视频帧对应的3D网格会导致真实的平移和旋转信息的丢失，进而使得动画无法还原物体在视频中的真实运动。
为解决该问题，V2M4设计了三阶段相机估计策略，通过重建每帧视频的相机视角，进而将“相机运动”转化为“网格运动”。
- 候选相机采样+DreamSim评分：在物体周围均匀采样多个视角，渲染并与真实帧对比，挑选相似度最高的相机姿态。
- DUSt3R点云辅助估计：引入几何基础模型DUSt3R，通过预测点云来推算出更稳定的相机位姿，再与采样结果融合。
- 粒子群优化+梯度下降精调：用PSO算法避免局部最优，再以渲染出的掩模差异为优化目标，通过gradient descent精细调整最终相机参数。
最终，将估计得到的相机轨迹反向应用于每一帧3D网格，从而将网格从标准姿态中“还原”回视频中的真实空间位置，实现真实的动态建模。
外观一致性优化：条件嵌入微调
即使完成空间对齐，初始生成的网格外观往往与输入视频存在一定外观差异。为此，V2M4借鉴图像编辑中的null text optimization策略，对生成网络的条件嵌入进行微调，以DreamSim、LPIPS、MSE等指标衡量渲染结果与参考视频帧的相似度，从而优化嵌入向量，使生成的网格外观更加贴合原视频，实现更高质量的外观一致性。
拓扑对齐与结构一致性：帧间对齐+局部约束
由于现有3D生成模型在每帧输出中存在随机性，相邻帧的网格往往在拓扑结构上存在差异，例如顶点数量、边的连接方式或面片组织均不一致。这类结构差异会严重阻碍动画的连续性与可编辑性。为解决此问题，V2M4引入了逐帧配准与拓扑统一机制：以首帧网格为标准形态（rest pose），通过全局刚体变换和局部形变优化，逐步将其拓扑结构传递给所有后续帧。在配准过程中，该方法结合Chamfer距离、可微渲染损失与ARAP刚性形变约束，实现对整体姿态和局部结构的精准调整。最终，所有帧网格不仅在形状上保持高度连续性，更在拓扑层面实现完全一致，从而为后续纹理生成与时间插值奠定稳定基础。
跨帧纹理一致性优化：共享UV提图，消除闪烁与断裂
为了确保动画过程中外观的一致性，V2M4为所有帧构建了一张共享的全局纹理贴图，避免了逐帧独立纹理所带来的色彩跳变与贴图断裂问题。由于前述拓扑统一后，各帧网格的结构保持一致，该方法以第一帧网格的UV展开作为所有帧的纹理基准，并基于多视角渲染优化贴图细节。为提升与原视频匹配的局部质量，该方法引入视角加权机制，对应视频帧的相机视图被赋予更高权重。最终，实现外观一致、帧间平滑的动画体验。
网格插帧与4D动画导出：轻量封装，一键部署
为了提升动画的时间连续性与软件适配性，V2M4对生成的网格序列进行时间插帧与结构封装。具体而言，该方法对关键帧网格的顶点位置进行线性插值，生成时序上更平滑的动画序列，并进一步将其表示为：单个静态网格，加上一组随时间变化的顶点位移张量。最终结果被导出为符合GLTF标准的动画文件，包含统一拓扑结构、共享纹理贴图与顶点时序变形，可直接导入Blender等主流图形与游戏引擎进行编辑与复用。由此，该方法实现了从视频到4D网格动画资产的完整转换路径，具备可视化、可编辑与实际应用兼容性。
效果验证与评估
为系统评估 V2M4 的性能，该工作在比以往更具挑战性的视频数据上开展实验，结合定量与定性对比，验证其在重建质量、运行效率与泛化能力上的全面优势。
定量对比：性能全面领先
该方法基于CLIP、LPIPS、FVD和DreamSim等主流指标，从语义一致性、视觉细节与时序流畅性等维度，评估输入视频与重建网格渲染之间的匹配度，更贴近真实用户感知。
与DreamMesh4D和Naive TRELLIS等方法相比，V2M4在Simple（轻微动作）及Complex（复杂动作）两个数据集上各项指标均实现领先。同时，依托高效的插帧与纹理共享机制，平均每帧仅需约60秒即可完成重建，大幅优于现有方法。
视觉对比：结构更清晰、外观更真实
在视觉效果方面，V2M4生成的网格在渲染细节、法线结构与跨帧一致性上表现更出色，不仅还原度高、拓扑完整，更能稳定生成连续、流畅的动画，展现出优异的实用性与泛化能力。
论文链接：
https://arxiv.org/abs/2503.09631
项目主页：
https://windvchen.github.io/V2M4
