aiwillknow.AI 前沿观察每日 08:00 开始整理
3D 生成论文图解

SeamFlow:让 UV 接缝沿着结构生成

纹理连续性不仅取决于贴图模型,也取决于表面怎样被切开

IN A NUTSHELL

输入已有网格,为每条边联合预测成为接缝的概率,再展开为 UV。它改进的是纹理生成的上游布局,不直接生成颜色或 PBR 材质。

01

图解主要方法

能否既少切碎纹理,又把必要的切口放在合理位置?

图 3 · 从边概率到 UV 展开
图 3 · 从边概率到 UV 展开查看大图 ↗
Yuming Zhao、Zangyueyang Xian、Qijian Zhang、Rendong Liang、Qin Jia、Ying He、Junhui Hou,arXiv v1。引用原图,未经修改。 · 原论文与图注 ↗ · CC BY-NC-SA 4.0;原图未修改。
  1. 1

    全局形状决定切缝应该避开什么

    图左侧 Coord. / Normal. 输入全局编码器;网格边的端点形成另一组 token。前者提供整体结构,后者限定切口只能落在已有边上。

  2. 2

    联合生成整组边概率

    图中部将噪声边状态、时间和全局条件送入 Transformer。训练学习噪声到接缝标签的速度场;推理默认做 50 步 Euler 积分,各条边一起更新。

  3. 3

    概率还不是最终 UV

    图右侧之前,将 sigmoid 概率以 0.5 阈值转成切缝,随后进行 SLIM 参数化和 Blender UV 打包。下方展示逐渐形成切缝的过程;网络并没有直接预测完整贴图。

02

实验与证据

测试显示布局紧凑与可编辑性的价值,但面积畸变、速度和拓扑有效性并非全面胜出。

论文证据作者使用筛选后的 35 万个训练模型、2,000 个测试模型;每个测试网格采样十次,94.1% 的输出可直接由 SLIM 展开。 论文全文

我的解读这是可用性证据,也意味着仍有失败输出;“边对齐”不能被理解为拓扑有效性的数学保证。

论文证据表 1 中 SeamFlow 的面积畸变为 0.14、耗时 5.63 秒;xatlas 分别为 0.06、3.75 秒。SeamFlow 的平均 UV 岛数则更少。 论文全文

我的解读优势是几何、语义与碎片数量的折中,不能说每项指标都领先。作者实验,本站未复现。

03

开放情况与使用许可

已读论文方法、实验及附录。作者项目页仍标注 Code soon / Models soon,不能算实现已开源;SIGGRAPH Asia 2026 录用不等于会议论文集已正式出版。

LICENSE论文 CC BY-NC-SA 4.0;实现与权重许可未发布

04

我的判断

独立分析 · 未复现实验

正方 · 为什么值得投入

我的判断:将输出限定在已有边上,减少了把空间曲线投影回网格的误差来源;同一几何还能采样不同方案,这比把一种切法当唯一答案更适合美术迭代。

UV 岛布局改变了纹理模型看到的二维邻域。因此,把纹理接缝完全归因于生成模型可能找错了优化对象。

反方 · 哪些结论还不够

“较少 UV 岛”不是越少越好:过大的岛可能增加拉伸,或者让不同尺度部件争夺纹素。需要同时检查纹素密度、打包效率和引擎 mipmap 下的接缝。

作者展示了下游纹理例子,但还不足以证明换任意纹理模型都有同样收益;模型、提示词和采样种子可能影响观感。

综合判断

值得跟踪的纹理管线前处理方法。当前更适合定位为可筛选、可返修的 UV 候选生成器,而不是自动取代所有人工展 UV。

我会先做的验证

建议实验,尚未执行:固定 100 个含文字、对称件及细长结构的资产,与 xatlas 比较;锁定纹理模型、随机种子和纹素预算,记录接缝误差、畸变、展开失败率与人工修复分钟数。

继续探索3D 生成