캐릭터마다 뼈대가 다르면 모션을 옮기는 일도 까다로워진다. UniMate는 다양한 스켈레톤을 하나의 모델로 애니메이션한다는 목표를 내건 연구 프로젝트다. 저장소 설명에 따르면 SIGGRAPH Asia 2026에 채택됐으며, 학습 코드와 추론 코드, 데이터 처리 파이프라인, 프리뷰 체크포인트를 공개했다. 핵심은 서로 다른 관절 구조를 가진 대상을 한 학습 체계 안에서 다루는 것이다.
이를 뒷받침하는 데이터셋 UniML3D에는 텍스트와 짝지은 13,006개의 모션 시퀀스가 포함된다. 대상은 두 발·네 발 생물에 그치지 않고 조류, 해양 생물, 곤충, 뱀형 생물, 관절형 오브젝트까지 넓다. 여러 출처의 모션을 공통 기준으로 정리하고, 원본 자산을 내려받는 단계부터 내보내기·렌더링·캡셔닝·관절 주석·특징 추출까지 이어지는 처리 파이프라인을 제공한다.
학습 입력은 관절 축과 시간 축을 설정된 길이에 맞게 패딩하지만, 마스크를 함께 적용해 채워 넣은 값이 어텐션이나 손실에 기여하지 않도록 한다. 토폴로지 증강도 사용한다. 관절을 추가하거나 말단을 제거하고, 체인을 풀링하거나 뼈 길이를 흔들어 학습 중 다양한 구조를 보게 한다. 즉, 서로 다른 리그를 한 모델에 넣는다는 구상은 모델 아키텍처만의 문제가 아니라 입력 표준화와 증강 설계까지 포함한다.
저장소가 공개한 대표 모델 구성은 두 가지다. graph + adaLN은 공간 관계와 시간 관계를 나눠 처리하고, 텍스트 조건은 adaLN 변조에 반영한다. full + cross-attention은 관절과 시간의 토큰을 펼쳐 한 번에 어텐션하며, 텍스트를 각 블록의 키·값으로 사용한다. 두 방식은 같은 문제를 서로 다른 어텐션 구성으로 다루며, 프로젝트는 각각의 학습 설정을 제공한다.
다만 공개 범위를 과장해서 읽을 필요는 없다. 설정마다 허용하는 관절 수 범위가 다르고 범위 밖의 대상은 제외된다. 새로운 분포의 리그를 위한 공식 전처리 파이프라인은 README에서 공개 예정으로 안내한다. 또 Truebones 동물 모션은 상업용 자산으로, 저장소가 재배포하는 데이터가 아니라 별도 구매가 필요하다고 명시돼 있다.
연구 재현을 원하는 개발자는 공개된 설정과 체크포인트, Accelerate 기반 학습 명령, 3D 인터랙티브 데모를 살펴볼 수 있다. UniMate가 던지는 실질적인 질문은 분명하다. 골격의 차이를 모델 하나로 흡수할 수 있을까, 그리고 그 통합을 실제로 넓히려면 데이터·전처리를 어디까지 표준화해야 할까. 공개 자료는 가능성의 윤곽을 보여주지만, 새로운 리그로 확장하는 과정은 아직 남아 있다.