SeamCrafter: Enhancing Mesh Seam Generation for Artist UV Unwrapping via Reinforcement Learning

📄 arXiv: 2509.20725v2 📥 PDF

作者: Duoteng Xu, Yuguang Chen, Jing Li, Xinhai Liu, Xueqi Ma, Zhuo Chen, Dongyu Zhang, Chunchao Guo

分类: cs.GR, cs.CV

发布日期: 2025-09-25 (更新: 2025-09-26)

💡 一句话要点

SeamCrafter：利用强化学习增强艺术家UV展开的网格缝合线生成

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 网格缝合线生成 UV展开 点云编码 GPT模型 直接偏好优化 强化学习 三维建模

📋 核心要点

  1. 现有网格缝合线生成方法难以兼顾UV扭曲和碎片化问题，容易顾此失彼，影响纹理映射质量。
  2. SeamCrafter提出一种基于GPT风格的自回归缝合线生成器，利用双分支点云编码器提取拓扑和几何信息。
  3. 通过新型缝合线评估框架和直接偏好优化（DPO）进行微调，显著降低了UV扭曲和碎片化程度。

📝 摘要（中文）

网格缝合线在划分3D表面以进行UV参数化和纹理映射中起着关键作用。缝合线位置不佳通常会导致严重的UV扭曲或过度碎片化，从而阻碍纹理合成并扰乱艺术家的工作流程。现有方法经常以一种失败模式换取另一种失败模式——产生高扭曲或许多分散的孤岛。为了解决这个问题，我们引入了SeamCrafter，这是一种以点云输入为条件的自回归GPT风格的缝合线生成器。SeamCrafter采用双分支点云编码器，在预训练期间解耦并捕获互补的拓扑和几何线索。为了进一步提高缝合线质量，我们使用直接偏好优化（DPO）在源自新型缝合线评估框架的偏好数据集上微调模型。该框架主要通过UV扭曲和碎片化来评估缝合线，并提供成对偏好标签以指导优化。大量实验表明，SeamCrafter产生的缝合线比现有方法具有显着更低的扭曲和碎片化，同时保持拓扑一致性和视觉保真度。

🔬 方法详解

问题定义：论文旨在解决三维网格UV展开中的缝合线生成问题。现有方法在减少UV扭曲和控制碎片化程度之间难以取得平衡，要么产生高扭曲的UV映射，要么生成过多分散的UV孤岛，影响后续的纹理合成和艺术家编辑工作。

核心思路：论文的核心思路是利用深度学习模型自动生成高质量的缝合线，并通过强化学习的方式，根据人工偏好来优化缝合线生成策略。具体来说，将缝合线生成过程建模为一个自回归序列生成问题，并使用GPT风格的模型进行学习。通过学习人类专家对不同缝合线质量的偏好，使模型能够生成更符合人类审美和工程需求的缝合线。

技术框架：SeamCrafter的整体框架包含以下几个主要模块：1) 双分支点云编码器：用于提取三维网格的拓扑和几何特征。2) GPT风格的自回归缝合线生成器：基于提取的特征，逐步生成缝合线。3) 缝合线评估框架：用于评估生成的缝合线的质量，主要考虑UV扭曲和碎片化程度。4) 直接偏好优化（DPO）：利用缝合线评估框架生成的偏好数据，对生成器进行微调，使其生成更符合人类偏好的缝合线。

关键创新：论文的关键创新在于：1) 提出了一个双分支点云编码器，能够有效提取网格的拓扑和几何特征，为缝合线生成提供更全面的信息。2) 提出了一个基于直接偏好优化（DPO）的缝合线生成方法，能够根据人类偏好来优化生成策略，从而生成更高质量的缝合线。3) 构建了一个缝合线评估框架，能够自动评估缝合线的质量，并生成用于DPO的偏好数据。

关键设计：双分支点云编码器分别提取拓扑和几何特征，然后进行融合。GPT风格的生成器使用Transformer架构，自回归地生成缝合线上的点序列。缝合线评估框架通过计算UV映射的面积比例和UV孤岛的数量来评估缝合线质量。DPO损失函数基于Bradley-Terry模型，根据偏好数据调整生成器的参数。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，SeamCrafter在UV扭曲和碎片化指标上均优于现有方法。相较于基线方法，SeamCrafter能够显著降低UV扭曲程度，并减少UV孤岛的数量，同时保持拓扑一致性和视觉保真度。通过DPO微调，SeamCrafter的性能得到了进一步提升。

🎯 应用场景

SeamCrafter可应用于游戏开发、电影制作、数字建模等领域，自动生成高质量的网格缝合线，减少UV展开过程中的人工干预，提高纹理映射效率和质量。该技术能够降低美术人员的工作负担，加速3D内容的生产流程，并提升最终产品的视觉效果。

📄 摘要（原文）

Mesh seams play a pivotal role in partitioning 3D surfaces for UV parametrization and texture mapping. Poorly placed seams often result in severe UV distortion or excessive fragmentation, thereby hindering texture synthesis and disrupting artist workflows. Existing methods frequently trade one failure mode for another-producing either high distortion or many scattered islands. To address this, we introduce SeamCrafter, an autoregressive GPT-style seam generator conditioned on point cloud inputs. SeamCrafter employs a dual-branch point-cloud encoder that disentangles and captures complementary topological and geometric cues during pretraining. To further enhance seam quality, we fine-tune the model using Direct Preference Optimization (DPO) on a preference dataset derived from a novel seam-evaluation framework. This framework assesses seams primarily by UV distortion and fragmentation, and provides pairwise preference labels to guide optimization. Extensive experiments demonstrate that SeamCrafter produces seams with substantially lower distortion and fragmentation than prior approaches, while preserving topological consistency and visual fidelity.