Hugging Face发布CurveCodec 2：基于学习熵模型的骨骼动画压缩技术

摘要：Hugging Face推出了CurveCodec 2，这是一款用于骨骼动画压缩的新技术，旨在优化动画数据的存储效率。CurveCodec 2通过预测量化曲线、选择关键帧以及基于残差分布的熵编码，显著降低了存储需求。与现有技术ACL相比，CurveCodec 2在默认精度下仅需0.37倍的字节数，在更低精度下仅需0.22倍的字节数，同时保持跨平台解码效率和准确性。该技术不仅提升了动画数据的压缩率，还支持跨不同骨架结构的迁移学习，为动画制作和游戏开发提供了更高效的解决方案。

---

技术背景与挑战

在动画制作和游戏开发中，骨骼动画数据通常以每个关节在每个帧中的变换形式存储。然而，大部分数据是冗余的，因为它们可以通过身体结构推断出来。压缩技术是减少这种冗余的关键，但现有的解决方案在处理高精度要求和跨骨架结构的适应性方面存在局限。

CurveCodec 2 的创新点

Hugging Face推出的CurveCodec 2通过以下方式解决了上述问题：

• 预测量化曲线：通过学习模型预测每个量化曲线，从而减少需要编码的数据量。
• 关键帧选择：在层次结构中闭环选择每个关节的关键帧，避免不必要的编码。
• 残差熵编码：使用小型学习模型对残差进行熵编码，确保跨平台的位精确整数推理。

技术亮点

1. 高效压缩：在ACL的默认精度下，CurveCodec 2仅需0.37倍的字节数，在更低精度下仅需0.22倍的字节数。
2. 跨平台兼容性：整数推理的位精确性确保了跨不同平台的解码效率。
3. 适应性迁移：无需重新训练即可将模型迁移到训练中未出现的新骨架结构。

测试结果

在包含33个数据集的4,472个剪辑的测试集中，CurveCodec 2在ACL的默认精度下实现了显著的压缩率提升，同时在更低精度下进一步优化了存储需求。此外，CurveCodec 2在单核CPU上解码，展示了其高效的性能。

行业影响与开发者建议

CurveCodec 2的发布为动画制作和游戏开发行业提供了更高效的压缩解决方案，尤其适用于需要处理大量动画数据的应用场景。开发者可以借助该技术降低存储成本，提高数据传输效率，并优化用户体验。以下是一些建议：

• 优化存储策略：利用CurveCodec 2的压缩能力，优化动画数据的存储策略。
• 跨平台部署：利用其跨平台兼容性，简化多平台部署流程。
• 迁移学习应用：探索在跨骨架结构场景下的迁移学习应用，提升模型的适应性。

---

消息来源：Hugging Face Daily Papers (2026-10-03)

—— 完 ——

主题标签： #Hugging Face 关注 #动画压缩 关注 #机器学习 关注 #AI模型 关注 #跨平台 关注