AnchorGen：降阻优化也要保留设计意图，让草图持续约束3D车身
联合形状与草图流模型，把风格保持、尺寸编辑和物理目标放进同一优化过程
AnchorGen联合学习车身与草图潜在表示的无条件分布，在推理时优化流的中间状态：一项损失降低阻力代理预测，另一项把草图表示拉向目标设计。它试图解决传统形状先验虽能纠正无效几何，却把设计推向常见车型、丢失原有风格的问题。
图解主要方法
如何在降低物理代理目标时，保留草图规定的车身风格和尺寸，而不是被形状先验推向常见车型？
- 1
分别编码车身和草图，再拼接为联合对象
VecSet把2048表面点转成256×8形状token并解码连续SDF；草图用冻结Stable Diffusion VAE加1.8M瓶颈，得到同样256×8表示。沿token轴拼接并加模态嵌入，联合流学习二者对应。
- 2
以无条件rectified flow训练联合先验
两模态一起加噪和去噪，82M Transformer回归噪声到数据的速度，不在训练时锁死草图为外部条件。因而推理时可以选择固定哪项设计、约束多强以及优化哪项可微目标。
- 3
把现有设计反演到流的中间时刻
可从已有车和草图编码开始，也可从噪声采样初始设计。反演到1−τ作为优化变量，每步再正向积分到干净形状和草图；ShapeNet用τ1，DrivAerNet++用τ0.4平衡成本与可控性。
- 4
同时看阻力和草图偏离，反传穿过流
阻力代理评价解码几何，草图端用逐token余弦距离对齐目标。附录实现不是简单原始损失相加：将物理梯度投影到形状token块，两梯度单位归一化，再按权重混合做Adam更新。
- 5
解码并分开验证几何、性能和设计约束
SDF在256立方网格提取表面；几何按目标包围盒尺度、不再ICP或逐物体缩放，检查尺寸与全表面差异。代理降阻需再用CFD复核；此处没有材质、UV或部件编辑输出。
实验与证据
完整阅读正文和附录A–I，清理重复数学文本后95329字符，视检图2，核对数据匹配、梯度组合与OpenFOAM协议。未执行生成、CFD或训练。
来源证据ShapeNet836训练车、100优化源；目标匹配实际为87个30–40%低阻严格匹配与13回退，共36唯一目标。30%降阻达到98/100，FCSO88/100。 表1、附录B ↗
我的解读这不是每个源各36目标；目标只以草图进入优化，但由代理预筛的性能方向本身提供额外信息。
来源证据DrivAerNet++600配对、20%代理降阻下，尺寸相对误差2.67%，FCSO4.37%、APG3.64%；1%尺度F分数79.68、73.44、73.74。 表2、附录A ↗
我的解读尺寸误差仅计指定轴，不惩罚另两轴漂移，所以需并读全表面指标。所有表格×100缩放，避免把2.67误作绝对长度。
来源证据侧视长度任务FCSO的1%尺度F分数77.97高于AnchorGen74.54，但长度误差4.85%高于2.65%。 附录表6 ↗
我的解读平均指标最好不代表每视角所有指标最好；长度控制与全局表面相似存在权衡。
来源证据正视τ0.1→0.4，F分数66.51→80.26，宽度误差1.23%→0.58%；τ0.5 F分数82.30但宽误差0.62%。 表7 ↗
我的解读更深反演增加积分和反传成本，控制指标也并非单调改善。
来源证据14.06M AnchorGen的0.5%尺度F分数51.26和尺寸误差3.61%，优于82M FCSO的48.24和4.37%。 附录H、图13 ↗
我的解读支持显式设计方向的贡献；深度10因显存改变batch和学习率，五点曲线不是全部同训练协议。
来源证据10个CLIPasso草图、60轮，CFD压力阻力系数PhysGen0.2505，AnchorGen0.1894；几何1%F分数64.66对63.50。 表3、附录I ↗
我的解读阻力和长度控制更好，但几何相似略差；小样本不能替代大规模验证，且不含黏性摩擦总阻力。
来源证据单A100优化约1.5对18.5分钟；AnchorGen60次代理查询，PhysGen每轮30 Adam加75 Euler、共60轮。 第4.4节、附录I ↗
我的解读约12倍为这套完整协议的墙钟对比，不是等查询预算或单步模型速度比较。
来源证据CFD采用OpenFOAM9、steady RANS/simpleFoam、k–ω SST，来流30m/s，2500步后取2000–2500平均压力力。 附录I ↗
我的解读共用参考面积与网格细化配方；仅做最小网格修补。收敛标记规则有披露，但不能自动推断每个生成样本都收敛。
来源证据草图先由Qwen-Image-Edit-2511从法线图合成，固定种子7；尺寸任务再按目标3D包围盒进行轴向仿射注册。 附录B ↗
我的解读注册提供绝对尺度信息，未注册草图经紧框缩放后本身不能控制绝对尺寸。
开放情况与使用许可
论文复现声明称代码与预处理数据将在接收后公开；本轮未核实作者发布的可用仓库、模型卡或权重，不能称已开源。
LICENSE论文使用arXiv非独占托管许可，图2保留原图用于方法评论；训练依赖的ShapeNet、DrivAerNet++及基础编码器另受各自许可约束。
我的判断
独立分析 · 未复现实验正方 · 为什么值得投入
600个尺寸编辑配对及容量匹配消融支持目标草图对控制精度的价值，不只是大模型参数更多。
另用10个稀疏草图案例进行独立OpenFOAM压力阻力检查，提供超出代理打分的有限验证。
反方 · 哪些结论还不够
正文称随机测试来源，但附录描述从全4165辆可行池经k-means挑源，且目标含433训练和167留出行；严格测试来源需发布清单确认。
草图由目标几何生成并按3D包围盒注册，控制绝对尺寸的证据不能直接外推未标尺手绘图。
每次优化选首次达到目标的有效结果，部分基线崩溃或未达标；比较还需同时看覆盖率、预算和被排除样本，不能只看成功结果均值。
综合判断
联合先验与持续草图约束对保留造型、控制尺寸有实证价值；但“始终在有效流形”应理解为模型参数化与经验正则，而非严格的物理或制造保证。现阶段是车辆几何设计工具的研究组件。
我会先做的验证
建议实验，未执行：公开冻结来源与目标UID，按训练/留出分别统计所有失败；用真实标尺手绘、多车型和多物理目标，在相同代理查询与时间预算下比较，并以含摩擦总阻力CFD、网格可制造性及资产导入检查复核。