Исследователи из Tsinghua University, Carnegie Mellon University и CUHK (Yuze He, Yixiang Wei, Wang Zhao, Chuhao Chen, Yanning Zhou, Yong-Jin Liu) представили HairDeck — метод, который по одному портрету создаёт готовые к анимации стилизованные волосы: наборы hair cards с spring-bone цепями, дающими волосам физику при движении. На тестовом наборе CHARM метод оказывается примерно в 33 раза быстрее и заметно точнее единственного предшественника. Код и веса открыты, онлайн-демо доступно на Hugging Face Space, а результат сразу экспортируется в VRM-аватар.

image
image

Что произошло

Опубликован препринт «HairDeck: Animation-Ready Stylized Hair Cards from a Single Image» (arXiv:2610.40599, подан 29.10.2026), код и веса выложены в открытый доступ. Метод двухстадийный: сначала каждая hair card кодируется одним токеном, и set diffusion transformer порождает сразу всё множество карточек как unordered set, причём условием может быть как изображение, так и облако точек; затем второй диффузионный трансформер генерирует spring-bone цепи, к которым карточки привязываются геометрическим скинингом. На тестовом наборе CHARM HairDeck снижает Chamfer distance на 44% (0.0066 против 0.0117) и уменьшает ошибку ориентации карточек с 40.0° до 16.8°, генерируя за ~1.01 секунды против 33.7 секунды. Репозиторий hyz317/HairDeck опубликован на GitHub, онлайн-демо работает на Hugging Face Space.

Контекст

Hair cards — это ленты-«карточки», из которых художники собирают волосы стилизованных персонажей в играх и VRM-аватарах: от ориентации лент зависит корректность шейдинга, а spring-bone цепи отвечают за физику волос при движении. До недавнего времени такое содержимое делали вручную, а единственный генеративный аналог, CHARM, работал авторегрессивно: разворачивал волосы в длинную последовательность контрольных точек и порождал карточки строго по одной — именно эта последовательность и была главным ограничением подхода. HairDeck решает задачу сменой парадигмы: структурированный примитив становится отдельным токеном, а всё множество карточек порождается параллельно за один проход диффузионной модели; эта же архитектурная идея объясняет одновременно и ускорение, и рост качества метрик.

Почему это важно для индустрии

HairDeck адресует узкое, но дорогое звено пайплайна создания стилизованных 3D-персонажей: генерацию hair cards с анимационной готовностью из одного референса. Генерация за секунды вместо десятков секунд превращает волосы из штучной ручной работы в конвейерную операцию, что напрямую ускоряет production-конвейеры для VTuber-аватаров, игр и виртуальных персонажей. Поскольку код и веса опубликованы под Apache-2.0, сам шаг генерации волос немедленно коммодитизируется: защищаться на нём лицензией уже не получится, и ценность смещается к обвязке и интеграциям вокруг весов. Готового hosted API нет — распространение идёт через self-hosted окружение с NVIDIA CUDA GPU, поэтому продуктовым командам нужен собственный деплой или обёртки от сообщества; появление таких интеграций в аватарных инструментах — вероятный, но пока прогнозный сценарий.

Почему это важно для пользователей

Попробовать можно уже сегодня: волосы генерируются в браузере через онлайн-демо на Hugging Face Space или локально на Linux x86-64 с NVIDIA CUDA GPU (Python 3.12, PyTorch 2.8 и CUDA 12.8); веса лежат на Hugging Face под именем hyz317/HairDeck и доступны бесплатно. Один портрет превращается в анимируемые волосы за секунды, с экспортом в GLB с per-card UV и в готовый VRM-аватар. Для VTuber-сцены это означает волосы с физикой для своего аватара без ручного моделирования; специально для примерки уже вышел camenduru/VRMHairMaker — Docker-приложение, которое надевает сгенерированные волосы на VRM-аватар и показывает живую spring-bone физику прямо в браузере.

Что пока неизвестно / ограничения

Сравнения привязаны к единственному прямому конкуренту и его же тестовому набору CHARM; базлайнов других семейств методов нет, как и перцептивной оценки стилизации, которую числовые метрики не заменяют. Идея распространить шаблон set diffusion на другие множества структурированных ассетов (одежда, пропсы) — это гипотеза, а не результат: абляций и экспериментов вне hair cards в работе не приведено. Поведение модели на не-CHARM данных и реалистичных волосах пока не проверено; независимые замеры сообщества и реальная продакшн-применимость станут ключевым тестом генерализации метода.

Источники

Автор

Look at AI, редакция