生成高质量的UV贴图是3D计算机图形学中的一项基础任务，它充当3D几何体和2D纹理之间的桥梁。为了对3D模型进行绘制或纹理化，其表面必须被“展开”到一个2D平面上。这个过程需要沿着特定的边（称为接缝）切割表面。传统上，专业艺术家会手动放置这些接缝，遵循结构逻辑以最大程度地减少失真并将切口隐藏在不显眼的区域。
图1：MeshTailor生成与边缘对齐的接缝链，使3D表面能够被展平为组织良好的2D UV图表，且失真最小，语义连贯性高。
现有的自动化方法通常分为两类：基于优化和基于学习。优化方法优先考虑几何误差，但经常产生碎片化、“锯齿状”的接缝，忽略了物体的自然结构。最近的基于学习的尝试使用“外在”代理——例如在3D坐标空间中预测接缝或使用体素场——这需要将预测点重新吸附到网格上。这种吸附通常会引入伪影和错位。MeshTailor引入了一种网格原生的生成框架，直接在网格图上操作，确保接缝本质上与边缘对齐并遵循专业设计惯例。
核心挑战：平衡几何与语义
自动化接缝放置的难点在于几何要求和语义可用性之间的冲突。从纯粹的数学角度来看，一个好的UV贴图应该具有低失真，这意味着2D表示应保留3D原始曲面的面积和角度。然而，从艺术家的角度来看，一个好的UV贴图也必须是“干净”的。这意味着拥有少量大而形状良好、边界平滑的补丁（UV岛），这些补丁与物体的特征（例如服装的接缝或角色的关节）对齐。
先前的基于学习的方法之所以困难，是因为它们将问题视为图像般的分割任务或坐标预测任务。当模型为接缝预测一个3D坐标，但网格在该位置没有精确的边时，系统必须将预测“吸附”到最近的边上。这导致了锯齿状、不连贯的线条。MeshTailor通过将接缝生成公式化为自回归图遍历来避免这种情况。它不是预测坐标，而是沿着网格的现有边，逐顶点地“行走”。
ChainingSeams：组织切割策略
为了训练生成模型，必须将专业数据集中的真实接缝转换为模型可以学习复制的序列格式。接缝自然是一组形成图的边，但基于Transformer的模型需要一个序列。
作者提出了ChainingSeams，一种分层序列化方案。该方法将无序的接缝边集转换为结构化的顶点行走序列。排序遵循“循环优先，平衡优先”的逻辑：
- 循环切割优先：系统优先处理闭合循环（如衬衫的领口或裤子的腰部），因为它们代表了最重要的结构分区。
- 细化：在确定主要循环后，它根据其长度附加开放链（不形成圆的切割）。
这种分层方法为模型提供了一个清晰的学习课程：首先学习全局结构，然后学习局部细节。
图2：ChainingSeams策略将无序接缝序列化，优先处理主要的结构环路，然后转向精细的细节。
双流编码器：融合全局和局部上下文
为了智能地决定在哪里进行切割，模型需要两种类型的信息：网格的局部拓扑（顶点周围的直接邻居）和物体的全局形状（知道当前部分是手臂还是腿）。MeshTailor通过双流编码器架构实现了这一点。
模型使用GraphSAGE编码器处理网格M=(V,E,F)。每个顶点vi最初由其3D坐标表示，这些坐标使用傅里叶特征转换为更高维的嵌入。然后GraphSAGE层执行消息传递，其中每个顶点聚合来自其邻居的信息。这使得模型能够理解局部表面曲率和连接性。
局部信息不足以理解整体结构。例如，胸部上的一个平坦区域在局部看起来与背部上的一个平坦区域相似，但它们需要不同的接缝策略。MeshTailor使用预训练的点云编码器来提取全局形状标记Z。这些标记代表了3D模型的“大局”。
局部顶点嵌入和全局形状标记使用交叉注意力层进行融合。这确保了每个顶点都“知道”它在整个物体上下文中的作用。生成的增强嵌入i被解码器用于选择接缝序列中的下一个顶点。
图3：图编码器处理局部连接性，该连接性随后与全局点云特征融合，以创建上下文感知的顶点嵌入。
通过指针网络进行自回归解码
解码器的任务是，给定当前顶点vt和遍历历史，预测接缝链中的下一个顶点vt+1。这通过一个基于Transformer的解码器实现，该解码器配备了网格原生指针网络。
在每一步t，解码器基于先前生成的顶点生成一个查询向量qt。此查询与网格中所有顶点的嵌入进行比较，以找到最佳匹配。然而，为了确保接缝是“网格原生”且连续的，模型必须只选择一个实际上通过边连接到vt的顶点。
MeshTailor通过邻居遮罩来强制执行这一点。在预测步骤中，模型对概率分布应用遮罩，将除vt的1环邻居（表示为N(vt)）之外的所有顶点的概率设置为零。通过将搜索空间限制在直接邻域，模型被迫遵循网格的物理边，从而固有地防止了先前工作中出现的断开连接或离网格伪影。
图4：解码器使用指针网络选择下一个顶点。候选池被限制在当前顶点的直接邻居，确保接缝与边缘对齐。
性能和实用性
该框架在TexVerse和GarmentCodeData数据集上进行了评估，这些数据集包含用于服装和各种物体的专业级UV布局。与Blender的“智能UV投影”和“xatlas”库等生产工具相比，MeshTailor产生了明显更清晰的结果。
虽然 xatlas 通常通过创建数百个微小图表来获得较低的几何失真，但这些图表几乎不可能供艺术家使用。MeshTailor 在保持具有竞争力的失真率的同时，生成数量少得多、具有语义意义的大型孤岛。在一项用户研究中，参与者比较了接缝布局，MeshTailor 在 89% 的时间里优于其他自动化基线。
图 5：高质量的接缝放置允许在大型表面（例如这件衣服上的条纹）上应用连续纹理，而不会出现碎片化布局中常见的断裂。
这些干净接缝的优势在下游应用中显而易见：
- 纹理绘制：大而连续的 UV 孤岛意味着徽标或图案等纹理可以应用到整个表面，而不会在接缝处出现可见的断裂。
- 边缘平滑度：由于生成是网格原生的，UV 孤岛的边界是平滑的，并遵循几何体的自然流动，这与基于分割的方法经常产生的“阶梯状”边界不同。
对于非常高分辨率的网格，预测长序列中的每个顶点可能会耗费大量的计算资源。为了解决这个问题，作者引入了分而治之策略。模型首先预测一个主要的循环切割，将网格分成两个大的组件（例如，上半身和下半身）。然后，模型将每个组件递归地作为一个单独的子网格进行处理。这使得 MeshTailor 能够扩展到具有数千个顶点的生产质量资产，同时不丢失局部细节。
图 6：对于复杂或高分辨率模型，MeshTailor 可以将表面递归地分割成多个组件，独立处理每个部分以保持效率和细节。
此外，由于模型自然地优先考虑循环切割，因此它可以用于零件分割。通过遵循主要的循环接缝，系统可以自动将角色分解为头部、躯干、四肢，或将服装分解为袖子和衣身面板。此功能对于需要识别 3D 模型逻辑部分的绑定师和动画师非常有用。
MeshTailor 通过从外在近似转向内在的、基于图的生成方法，代表了自动化 UV 映射的转变。通过将接缝放置视为网格表面上一系列智能的“行走”决策，它弥合了数学最优失真与艺术家偏好语义结构之间的鸿沟。
该框架对不同网格分辨率的鲁棒性以及在轻微几何噪声（如顶点抖动）下的稳定性，使其成为集成到专业 3D 流水线中的可行选择。尽管挑战依然存在——例如处理极端“尖锐”或非常规几何体——但网格原生生成遍历的引入为下一代自动化 3D 建模工具提供了灵活的基础。
本文SeamGPT是最直接的基于学习的竞争对手，它提出了一种类似的自回归接缝生成方法。MeshTailor的核心贡献是其“网格原生性”，这是对SeamGPT局限性的直接回应，SeamGPT的局限性在于它在欧几里得空间中预测顶点坐标，这需要一个可能引入伪影的吸附步骤。
Yang Li, Victor Cheung, Xinhai Liu, Yuguang Chen, Zhongjin Luo, Biwen Lei, Haohan Weng, Zibo Zhao, Jingwei Huang, Zhuo Chen, and Chunchao Guo. Auto-regressive surface cutting, 2025.
PartUV 是论文中用于比较的关键的基于学习的基线。它代表了一种替代的“外在”方法，通过体素场预测分割。MeshTailor 批评这种方法在将边界映射回网格时会导致锯齿和错位，因此这激励了 MeshTailor 提出其自身的内在、网格上生成方法。
Zhaoning Wang, Xinyue Wei, Ruoxi Shi, Xiaoshuai Zhang, Hao Su, and Minghua Liu. Partuv: Part-based uv unwrapping of 3d meshes. In Proc. SIGGRAPH Asia, pages 15:1–15:12, 2025.
这篇引文是MeshTailor核心机制的基础。该论文明确使用了指针网络来执行自回归图遍历，这使得模型能够直接从局部邻域中选择下一个顶点。这是实现生成连续、边缘对齐的缝合线的关键技术，并且无需投影启发式方法。
Oriol Vinyals, Meire Fortunato, and Navdeep Jaitly. Pointer networks. In Proc. Conf. on Neural Information Processing Systems, page 2692–2700, 2015.
本文介绍了一种最先进的、基于优化的传统接缝生成方法，作为主要的非学习基线。MeshTailor 将其从专业艺术家学习语义先验的数据驱动方法，与OptCuts等仅依赖变形和切割长度等数学目标的方法进行对比。
Minchen Li, Danny M. Kaufman, Vladimir G. Kim, Justin Solomon, and Alla Sheffer. Optcuts: joint optimization of surface cuts and parameterization. ACM Trans. on Graphics (Proc. SIGGRAPH Asia), 37(6):247:1–247:13, 2018.