PartUV: Part-Based UV Unwrapping of 3D Meshes

一句话总结

PartUV 是一套基于”部件”的 3D 网格 UV 展开流水线，它把学习式语义部件先验（PartField）与几何启发式在自顶向下的递归搜索中结合起来，在保持低扭曲的前提下生成数量显著更少、且与部件边界对齐的 UV 图表（charts）。

研究背景

UV 展开把 3D 表面映射到 2D 平面，为纹理、法线、AO 等各类贴图提供存储与编辑空间，是 3D 内容创作流水线的基础环节。它通常包含三步：表面参数化（展平）、图表分割（沿缝切开以降低扭曲）、以及 UV 打包（在单位方块内排布图表）。

现有方法大多针对专业美术师制作的”良态”网格调优，在 AI 生成网格上频频失效。这类网格常通过神经场等值面（如 Marching Cubes）提取，表面凹凸、三角面碎小、几何质量差（存在断连组件或孔洞），导致传统方法要么超时，要么产出极度碎片化的图集——单个图表只含一两个三角面。碎片化会妨碍纹理绘制与编辑，在图表边界引入纹理渗色与烘焙/渲染伪影，并让下游任务背上数量庞大的图表包袱。

近期一些神经场方法（如 Nuvo）虽能控制图表数量，却往往需要三十分钟以上且扭曲仍然明显；另一些联合优化缝长与扭曲的方法同样昂贵。此外，仅依赖局部几何属性的分割方法容易把语义连贯的区域（如整块电视屏幕、人脸）切散，产生不直观的边界，进一步增加纹理创作与语义感知渲染的难度。

方法

整体框架

给定网格 \(M=(V,F)\)，PartUV 的目标是把面集分解为一组不相交且连通的图表 \(F=\bigcup_{k=1}^{K} C_k,\ C_i\cap C_j=\varnothing\ (i\neq j)\)，并用 ABF++ 将每个图表展平为 2D 映射 \(\phi_k: C_k \rightarrow \mathbb{R}^2\)。核心思路是”粗到细”两阶段：先用学习式方法 PartField 把网格划分为几何较简单的语义部件，再用几何启发式把每个部件进一步切分为可低扭曲展平的图表，整个过程由自顶向下的递归搜索统一调度，力求在满足用户指定扭曲阈值 \(\tau\) 的同时最小化图表总数。

flowchart TD
    A[输入网格 M] --> B[PartField 预测部件感知特征场]
    B --> C[对面特征做凝聚聚类 得到层次部件树 T]
    C --> D[从根节点递归遍历 T]
    D --> E[对当前节点用 Normal / Merge 两种几何启发式生成候选图表集]
    E --> F[ABF++ 展平并评估扭曲]
    F --> G{扭曲 ≤ 阈值 τ ?}
    G -- 是 --> H[采纳该图表集与 UV 映射]
    G -- 否 --> I[递归遍历左右子树 合并子树最优结果]
    H --> J[按语义部件分组 UV 打包]
    I --> J

关键设计

1. 自顶向下递归树搜索（含预算约束）：从部件树根节点出发，每个节点先用主启发式生成候选分解；若无候选满足 \(\tau\)，则不设预算地递归搜索左右子树并合并；若有可行候选，则取图表数最少者，再以”最优图表数减一”为收紧的预算 \(B\) 继续向下探索，只有更优（图表更少且合法）才替换。预算 \(B\) 随搜索收紧，防止递归过深，实践中很少深入。

2. 两种几何启发式 Normal 与 Merge：Normal 对部件面法线做凝聚聚类，一次生成 1 到 \(t\)（实验取 \(t=10\)）个图表的候选分解，快而常够用；扭曲用面积拉伸度量 \(distortion(\mathcal{C})=\max_{C\in\mathcal{C}}\left(\frac{1}{\lvert C\rvert}\sum_{f\in C}\max\left(stretch(f),\frac{1}{stretch(f)}\right)\right)\)。Merge 更昂贵：先算部件的有向包围盒（OBB），给每个面按最接近的 OBB 法线打 1~6 标签，据连通性切成组件后由小到大沿最长公共边迭代合并，每次合并都用 ABF 校验扭曲与无重叠，仅在 Normal 已给出可行解时才启用，用于换取更少的图表。

3. 运行时加速与鲁棒处理：左右子树递归调用全部并行以吃满多核；用 GPU 加速的网格简化生成候选图表的低分辨率近似，作为”代理扭曲”快速评估，最终才在原始高分辨率网格上跑 ABF。对非流形边通过复制共享顶点、拆边转为流形；对多连通组件先按 PartField 层次分解，必要时回退到逐连通组件处理，避免过度碎片化。

4. 语义感知打包：图表按语义部件分组，可打进单个图集，也可按部件跨多个 \([0,1]^2\) 图集均衡分布，让同部件图表在空间上聚拢，便于集体编辑。

实验结果

在 Common Shapes、Trellis（AI 生成）、ABC（CAD）、PartObjaverseTiny 四个数据集上，与 Blender Smart UV、xatlas 对比。核心指标为图表数、缝长、角度/面积扭曲与耗时。PartUV 在图表数与缝长上大幅领先，扭曲保持在同一低水平。以下摘录 Table 1：

数据集	方法	成功率(%)	平均图表数 ↓	中位图表数 ↓	中位缝长 ↓	角度失真 ↑	面积失真 ↓	整体面积失真 ↓	耗时(s)
Common Shapes (24)	Blender	100.0	1360.3	332.5	44.7	0.906	1.172	1.102	0.3
	xatlas	100.0	974.8	301.0	42.9	0.987	1.885	1.504	77.9
	ours	100.0	48.6	16.5	16.6	0.990	1.283	1.128	39.4
Trellis (114)	Blender	100.0	3352.9	1957.0	94.5	0.921	1.252	1.107	1.1
	xatlas	100.0	1541.6	895.0	91.2	0.984	2.357	1.093	13.1
	ours	100.0	568.7	233.5	58.8	0.981	1.373	1.145	26.0
ABC (100)	Blender	100.0	305.3	78.0	25.0	0.992	1.122	1.067	0.7
	xatlas	100.0	249.6	56.0	26.5	1.000	1.192	1.030	31.0
	ours	100.0	85.4	15.5	17.3	0.998	1.191	1.073	31.9
PartObjaverseTiny (200)	Blender	100.0	1509.2	647.5	70.2	0.925	1.325	1.115	0.2
	xatlas	100.0	1142.1	491.5	67.0	0.982	1.728	1.286	4.4
	ours	100.0	544.8	177.0	41.8	0.983	1.305	1.112	10.1

在 Common Shapes 上 PartUV 只用了 Blender 约 1/31 的图表数。与 Open3D 相比，后者在 Trellis 上成功率仅 39.5% 且扭曲很大；与 Nuvo/OptCuts 相比，二者每形状优化常超 30 分钟，Nuvo 扭曲偏高、OptCuts 成功率有限（24 个形状仅 9 个有输出）。消融实验（Table 4，Trellis）显示：固定 20 部件的朴素组合面积失真高达 2.18；用面法线替换 PartField 特征会使运行时翻倍、图表增多；去掉 Merge、去掉递归、去掉扭曲代理都会带来图表数或耗时的上升。

亮点与局限

亮点：把语义部件先验显式引入 UV 展开，图表数量与缝长大幅下降，同时保持低扭曲；边界与语义部件对齐，缝落在感知不显眼处；自顶向下递归搜索 + 预算剪枝在保证质量的同时控制搜索深度；工程上并行化、GPU 简化代理、非流形/多组件处理让流水线鲁棒且高效（通常数秒到数十秒完成）；语义分组还带来单/多图集的应用级打包灵活性。

局限：方法性能依赖 PartField 的部件质量，Merge 启发式计算成本较高；Table 1 中角度/面积扭曲相比部分基线并非全面最优（在低扭曲区间内换取更少图表）；在 Trellis 的 95 分位 chart 级面积失真（1.220）略高于 Blender/xatlas，说明极端个例仍有改进空间。

延伸思考

PartUV 展示了”语义先验 + 几何启发式”互补的范式：学习式部件划分负责宏观语义连贯，几何启发式负责微观低扭曲展平，二者通过递归搜索交织。这一思路可能迁移到其他需要”少而有意义的分块”的几何处理任务，例如网格简化的区域划分、四边网格化的补丁规划，或纹理合成中的语义分区。另一个值得探索的方向是把扭曲阈值 \(\tau\) 做成随部件语义自适应，让重要部件（如人脸）享受更严格的扭曲预算；以及将代理扭曲的简化策略推广为可微、端到端可学习的搜索控制器，进一步压缩运行时。