新たな人体モデルリグのスタンダード？ MHR (Momentum Human Rig)

2025年12月22日

MHRは、Meta社が開発した「解剖学的にリアルな3D人体モデルの”リグ”」です。中に骨、筋肉が詰まっている実在の人間としてシミュレーション可能でVR分野やコンピュータビジョン系AI分野向きとのこと。

MHR/demo.py at main · facebookresearch/MHR · GitHub

Metaは以前からDetectronなど被写体分析のライブラリ開発に力を入れており、最新のシリーズとして解析用のライブラリとしてSAM 3Dが発表されたばかりです。(2025年)

Metaの3D生成AI技術「SAM 3D」発表！単一の2D画像から精密な3Dオブジェクトや人物を再構築、GitHubとHugging Faceでコード＆データ公開

かなり前にMomentumというライブラリが公開され、「これは何かの補助ライブラリなのでは？」と思っていたのですが、色々出てきたのでこのMHRリポジトリから触れてみることにしました。

リポジトリのDemoを走らせてみる

MHR/demo.py at main · facebookresearch/MHR · GitHub

コードを読む限り、ただのインストール確認っぽいのですが demo.py を動かしてみます。

Momentumを使うのすが、pip, uv, conda, pixi など色んな導入方法があるようです。
assetsとして用意されたfbxファイルの用意が必要です。

取り敢えずwindows機があるので、condaで試してみます。

Getting Started | Momentum

CPU版とGPU版もあるのですが、自動で調整される版を使いました。

conda install -c conda-forge pymomentum

# リポジトリをクローン
git clone https://github.com/facebookresearch/MHR.git
cd MHR

# assetsをcurlしてunzip。MHR内に assetsというディレクトリを置くようにします
curl -OL https://github.com/facebookresearch/MHR/releases/download/v1.0.0/assets.zip
unzip assets.zip

demo.py を実行すると必要なライブラリ torch とかを注意されるかもですが、順次入れていきます。

実行した結果、以下のようなアウトプットが得られます。

MHR>python demo.py
Saved example MHR mesh to ./test.ply
Comparing MHR model with TorchScripted model.
Averge per-vertex offsets 3 cm.
Max per-vertex offsets 0.0001 cm.

test.plyを開いてみます。

なんというか、まぁよいでしょう…。

特徴

以下のような特徴があります。

設定可能なパラメータおよび挙動

Identity Parameterization: 45 shape parameters controlling body identity

ID（個人特性）パラメータ：身体の個人差を制御する45個の形状パラメータを設定可能
身長、体重、肩幅、手足の長さなど、「その人がどんな体型か」という個人の身体的特徴を数値で細かく設定できる。

Pose Parameterization: 204 model parameters for full-body articulation

ポーズ（姿勢）パラメータ：全身の関節動作を制御する204個のモデルパラメータ
肘や膝の曲げ伸ばしだけでなく、背骨のひねりや手首の回転など、全身のあらゆる関節の動きを200以上の数値で精密にコントロールできる。

Facial Expression: 72 expression parameters for detailed face animation

表情：詳細な顔アニメーションのための72個の表情パラメータ

Multiple LOD Levels: 7 levels of detail (LOD 0-6) for different performance requirements

マルチLOD：異なるパフォーマンス要件に対応する7段階のLOD (0～6)
超高精細モデルから軽量モデルまで、用途に合わせてモデルの粗さを7段階で切り替えられる。

Non-linear Pose Correctives: Neural network-based pose-dependent deformations

ポーズ補正：ニューラルネットワークに基づく、ポーズに依存した変形処理
関節の動きに連動して発生する筋肉や皮膚の複雑な変形を、AI技術を使って自動的かつリアルに再現する。

PyTorch Integration: GPU-accelerated inference for real-time applications

PyTorch統合：リアルタイムアプリケーションのためのGPUアクセラレーション
PyTorchでGPU活用が可能。

PyMomentum Integration: Compatible with fast CPU solver

PyMomentum統合：ライブラリ「PyMomentum」と組み合わせることで、CPUのみでも計算可能。

アウトプットデータ

出力によって、以下のようなアウトプットが得られます。

vertices （頂点データ / メッシュ）

3Dメッシュの頂点座標リスト。

skeleton_state （骨格ステート / ジョイント情報）

関節の向きと位置の情報。

MHR

あくまでリグという理解なのですが、ニューラルネットワーク技術を利用した補正などはかなり興味深いですね。

@misc{MHR:2025,
      title={MHR: Momentum Human Rig},
      author={Aaron Ferguson and Ahmed A. A. Osman and Berta Bescos and Carsten Stoll and Chris Twigg and Christoph Lassner and David Otte and Eric Vignola and Fabian Prada and Federica Bogo and Igor Santesteban and Javier Romero and Jenna Zarate and Jeongseok Lee and Jinhyung Park and Jinlong Yang and John Doublestein and Kishore Venkateshan and Kris Kitani and Ladislav Kavan and Marco Dal Farra and Matthew Hu and Matthew Cioffi and Michael Fabris and Michael Ranieri and Mohammad Modarres and Petr Kadlecek and Rawal Khirodkar and Rinat Abdrashitov and Romain Prévost and Roman Rajbhandari and Ronald Mallet and Russell Pearsall and Sandy Kao and Sanjeev Kumar and Scott Parrish and Shoou-I Yu and Shunsuke Saito and Takaaki Shiratori and Te-Li Wang and Tony Tung and Yichen Xu and Yuan Dong and Yuhua Chen and Yuanlu Xu and Yuting Ye and Zhongshi Jiang},
      year={2025},
      eprint={2511.15586},
      archivePrefix={arXiv},
      primaryClass={cs.GR},
      url={https://arxiv.org/abs/2511.15586},
}

よかったらシェアしてね！