SubDGuide: A Modeler-Inspired Agentic Workflow for Mesh-to-SubD Reconstruction
作者: Mengnan Jiang, Christian Franke, Michele Franco Adesso, Antonio Haas, Grace Li Zhang
分类: cs.GR
发布日期: 2026-10-08
备注: 18 pages, including supplementary material
💡 一句话要点
提出SubDGuide以解决网格到细分曲面重建问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 细分曲面 网格重建 几何解析 自主工作流程 多视角几何 计算机图形学 设计优化
📋 核心要点
- 现有方法在从密集网格恢复细分曲面控制笼时，面临推断控制需求和设计特征的挑战。
- SubDGuide通过两个阶段的自主工作流程，结合多视角几何证据，优化控制笼解析和特征映射。
- 在固定评估集上，SubDGuide在五个指标上均优于自动重网格，Chamfer-L1中位数从0.641%降至0.443%。
📝 摘要（中文）
细分曲面通过稀疏控制笼表示自由形状几何，但从密集网格恢复控制笼不仅仅是拟合问题：系统必须推断控制需求、设计特征的曲线以及何时修订初始结果。我们提出了SubDGuide，这是一种受建模启发的自主工作流程。A阶段读取对齐的多视角几何证据，并生成控制笼解析、特征映射和广义拟合的紧凑计划。B阶段检查结果表面，请求针对性诊断，并选择修复、回滚或停止操作。几何工具执行并验证每个更改；规划器从不生成顶点或连接性。
🔬 方法详解
问题定义：论文要解决从密集网格恢复细分曲面控制笼的问题。现有方法在推断控制需求和设计特征方面存在不足，导致重建效果不理想。
核心思路：SubDGuide通过受建模启发的自主工作流程，利用多视角几何证据生成控制笼解析计划，并在后续阶段进行针对性修复和优化。这样的设计使得系统能够更智能地处理几何数据，提升重建质量。
技术框架：整体架构分为两个主要阶段：A阶段负责读取几何证据并生成控制笼解析计划，B阶段则对结果进行检查并执行修复、回滚或停止操作。每个阶段都依赖几何工具进行验证。
关键创新：最重要的创新在于引入了自主工作流程，结合了多视角几何证据和针对性反馈机制，使得重建过程更具灵活性和可控性。这与现有方法的被动拟合方式形成鲜明对比。
关键设计：系统设计中，规划器不生成顶点或连接性，而是专注于控制笼的解析和特征映射，确保每一步的几何变更都经过验证。
🖼️ 关键图片
📊 实验亮点
实验结果显示，SubDGuide在固定评估集上显著提升了重建性能，Chamfer-L1中位数从0.641%降至0.443%，F-score在1%容忍度下从82.00%提升至92.78%。此外，状态反馈机制在四个指标上优于一次性规划，验证机制确保了无效提案时的回退。
🎯 应用场景
该研究在计算机图形学和CAD系统中具有广泛的应用潜力，尤其是在需要高质量几何重建的领域，如动画制作、游戏开发和工业设计。SubDGuide的自主工作流程可以显著提高设计效率和重建精度，推动相关技术的发展。
📄 摘要（原文）
Subdivision surfaces represent free-form geometry through a sparse control cage, but recovering that cage from a dense mesh is not merely a fitting problem: the system must infer where control is needed, which curves encode design features, and when an initial result should be revised. We present SubDGuide, a modeler-inspired agentic workflow for this task. Stage A reads aligned multiview geometric evidence and produces a compact plan for cage resolution, feature mapping, and broad-form fitting. Stage B inspects the resulting surface, requests targeted diagnostics, and chooses repair, rollback, or stopping actions. Geometry tools execute and verify every change; the planner never generates vertices or connectivity. On a fixed evaluation cohort, SubDGuide improves all five reported metrics over automatic remeshing: median Chamfer-L1 decreases from 0.641% to 0.443% of the target bounding-box diagonal, and F-score at a 1% tolerance increases from 82.00% to 92.78%. Stateful feedback improves four of five reported median metrics over one-shot planning, while verification retains the earlier checkpoint when a proposal is unhelpful. The same interface supports six multimodal planners, showing how semantic judgment can guide a practical, inspectable mesh-to-SubD workflow.