UVSegNet:面向人造物体的语义边界感知神经UV参数化方法

《Journal of Imaging》:UVSegNet: Semantic Boundary-Aware Neural UV Parameterization for Man-Made Objects Hairun Zhang and Ying Song

【字体: 大 中 小 】 时间:2026年03月05日 来源:Journal of Imaging 3.8

编辑推荐:

  UV参数化(UV Parameterization)是构建纹理三维模型的基础步骤,但最小化纹理扭曲并确保接缝(Seam)沿有意义的边界布置仍是一项挑战。本文提出UVSegNet,一种新型语义边界感知UV参数化框架,融合部分级分割与几何感知参数化。为应对参数化中

  
UV参数化(UV Parameterization)是构建纹理三维模型的基础步骤,但最小化纹理扭曲并确保接缝(Seam)沿有意义的边界布置仍是一项挑战。本文提出UVSegNet,一种新型语义边界感知UV参数化框架,融合部分级分割与几何感知参数化。为应对参数化中常见的接缝布置问题,研究人员引入了边界感知引导UV映射模块,联合优化几何精度与接缝布局。此外,为更好地处理人造物体中常见的圆柱结构,研究人员引入了圆柱监督策略(Cylindrical Supervision Strategy)以减少错位与展开扭曲。在代表性物体类别上的实验表明,UVSegNet在纹理质量(Textured Quality)与接缝质量上均优于其他优秀基线模型(Baseline Model)。与Nuvo相比,UVSegNet通过生成更紧凑的接缝布局,将角度扭曲(保角性,Conformality)指标提升24.1%,接缝紧致度(Seam Compactness)提升60.5%。实验结果表明,得益于边界约束与几何驱动建模的互补机制,UVSegNet在映射质量与接缝质量上均优于基线方法。
### 论文解读
本文由Hairun Zhang、Ying Song研究完成,发表于《Journal of Imaging》,聚焦游戏、影视三维资产构建流程中UV参数化的核心痛点。当前行业虽已开发多种自动UV展开工具,但仍高度依赖技术美术人工优化UV以提升纹理映射质量,现有自动化方法难以同时平衡扭曲降低、接缝布置与纹理打包效率,迫使从业者投入大量精力完成UV图的切割、调整与排列,这种对人工优化的依赖不仅限制工作效率,也影响了纹理映射的质量,因此开发更智能、自动化的UV参数化方法需求迫切。
现有研究存在明显局限性:传统曲面参数化方法以几何驱动为核心,缺乏语义感知,易导致UV空间中语义相关的部件被错误分割,且在高度弯曲、拓扑噪声大的表面上易出现重叠或严重扭曲,通常需要人工修正边界;神经曲面参数化研究中,基于补丁表示的方法(如AtlasNet)未显式建模部件边界与接缝布置标准,易导致补丁边界与纹理映射、编辑所需的结构线索不匹配;基于分割的神经参数化方法(如Nuvo)的无监督图表分割由概率图集分配与几何/光度一致性驱动,生成的UV岛不一定对应真实的部件级边界,易导致接缝切割语义连贯的部件或在视觉显著区域引入不连续,大幅增加艺术家的后续工作量;其他无监督神经参数化方法虽尝试学习全局自由边界映射,但仍以几何驱动为主,未显式强制接缝沿语义上有意义的边界布置。
为解决上述问题,研究人员提出了UVSegNet语义边界感知神经UV参数化框架,核心思路是将部分级语义边界信息显式引入参数化流程,实现语义一致性与几何精度的协同优化,最终在纹理质量、接缝质量两项核心指标上均优于现有强基线方法。
#### 关键技术方法
本研究采用的核心技术方法包括四点:一是拓扑保持边缘敏感自适应点云采样策略,通过计算相邻面法向量夹角的反余弦值识别二面角超过阈值θth(本文 empirically 设为30°)的显著边缘,自适应调整采样密度,在边缘区域增加采样点、平滑区域保持均匀采样,采用蓝噪声分布避免局部聚类,为下游任务提供边界完整的点云表示;二是微调Point-MAE(基于掩码自编码的点云部分级分割模型)对采样后的点云进行部分级语义分割,提取部件间边界特征;三是带边界感知注意力的轻量级非对称双向循环神经映射架构,包含正向UV映射器(UVMapper)与逆向映射器(InverseMapper),通过双向梯度传播约束映射的双射性,提升几何一致性;四是多损失协同监督框架,整合重建、保角、拉伸、平滑、边界、聚类、连通性7类基础损失,以及针对圆柱结构的专属圆柱损失(Cylindrical Loss),仅在识别到管状结构时激活,联合优化多项参数化目标。(共246字)
#### 研究结果
3.1 对比实验:与Nuvo相比,UVSegNet的角度扭曲(保角性)误差降低24.1%,接缝紧致度提升60.5%,61.2%的UV接缝与语义边界对齐,处理时间从3.7小时缩短至48分钟;与AtlasNet相比,保角性误差平均降低84.5%,倒角距离(Chamfer Distance, CD)平均降低70.1%,纹理扭曲与平均纹理误差(Mean Texture Error, MTE)均显著降低,纹理映射的几何保真度与质量全面优于基线方法。
3.2 消融实验:移除保角损失或拉伸损失会导致角度扭曲与纹理拉伸显著上升,边界损失的移除会使接缝紧致度下降36.4%,重建损失的移除会间接削弱边界紧致度,验证各组件对参数化质量的必要性与耦合作用。
3.3 接缝研究:UVSegNet生成的接缝布局紧凑且与部件功能边界对齐,接缝数量、UV岛数量均少于Blender Smart UV与Nuvo,总接缝长度更短,纹理跨接缝的连续性更好,更符合技术美术的实用需求。
3.4 定性结果与泛化实验:方法在ShapeNetCore、3D-FUTURE、ModelNet数据集上均表现出良好的泛化能力,纹理映射结果连续性与几何精度表现稳定;但对于训练集外的未见类别,性能会出现下降,原因是框架依赖部分级语义分割先验,未见类别缺乏可靠的边界线索。
#### 讨论与结论翻译
讨论部分指出,UVSegNet通过显式耦合语义边界线索与几何感知参数化,优化了扭曲与接缝的权衡,相比纯几何驱动或无监督分割基线,更能生成与物体结构对齐的接缝布局,提升纹理连续性;部分类别上内部一致性指标未全面提升,是因为边界对齐的图表划分会强化图表边界,对跨图表平滑度产生一定影响,属于接缝布置与平滑度的普遍权衡,且该差异幅度有限,不影响整体实用性。泛化性能受限的原因包括:极端拓扑(如高亏格多孔结构、极薄结构、非流形/噪声几何)会导致点云局部邻域不稳定,部分级分割与边界线索可靠性降低,未来将拓展分割训练覆盖范围、引入跨图表一致性正则化,探索领域自适应与联合学习策略,降低对分割先验的依赖,提升框架在分布外类别与复杂场景下的鲁棒性。
研究结论:UVSegNet是一种融合部分级点云分割与几何感知映射的语义边界神经UV参数化框架,通过联合优化语义边界线索与几何正则化(保角与拉伸约束),可生成比Nuvo、AtlasNet等强基线方法更低扭曲、更符合结构语义的接缝布局,同时提升纹理映射的保真度;针对圆柱结构的监督策略可稳定管状部件的展开质量,缓解常见扭曲与接缝断裂问题。此外,UVSegNet具备几何-语义一致性、结构感知性与可扩展性:接缝分布与功能部件边界对齐,天然支持下游语义编辑与局部纹理替换;圆柱结构检测与专属损失可显著提升管状部件的展开质量;模块化两阶段设计(分割+参数化)可适配不同分辨率与多样化三维物体类别,具备强泛化能力。当前框架仍依赖分割先验,在分布外类别与极端拓扑场景下性能受限,未来工作将聚焦于拓展分割覆盖范围、引入领域自适应技术,探索联合学习策略解耦分割与参数化流程,进一步提升框架的泛化能力与鲁棒性,为自动化、高可靠性的高质量三维资产构建提供支撑。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号