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

提出SeamCrafter以解决3D网格缝合生成问题

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

关键词: 3D网格处理 UV参数化 纹理映射 自回归生成 深度学习 点云编码 优化算法

📋 核心要点

  1. 现有的缝合生成方法常常在高失真和碎片化之间进行权衡，导致纹理映射效果不佳。
  2. 本文提出SeamCrafter，利用自回归生成模型和双分支点云编码器，改善缝合质量。
  3. 实验结果表明，SeamCrafter在失真和碎片化方面显著优于传统方法，提升了艺术家的工作效率。

📝 摘要（中文）

网格缝合在3D表面的UV参数化和纹理映射中起着关键作用。缝合位置不当会导致严重的UV失真或过度碎片化，从而妨碍纹理合成并干扰艺术家的工作流程。现有方法往往在高失真和碎片化之间进行权衡。为了解决这一问题，本文提出了SeamCrafter，这是一种基于点云输入的自回归GPT风格缝合生成器。SeamCrafter采用双分支点云编码器，在预训练过程中解耦并捕捉互补的拓扑和几何线索。为了进一步提高缝合质量，我们使用直接偏好优化（DPO）对模型进行微调，利用来自新缝合评估框架的偏好数据集进行优化。实验表明，SeamCrafter生成的缝合在失真和碎片化方面显著优于现有方法，同时保持拓扑一致性和视觉保真度。

🔬 方法详解

问题定义：本文旨在解决3D网格缝合生成中的失真和碎片化问题。现有方法往往导致缝合位置不当，影响纹理合成效果。

核心思路：SeamCrafter通过自回归生成模型，结合双分支点云编码器，能够有效捕捉拓扑和几何信息，从而生成高质量的缝合。

技术框架：整体架构包括数据输入、双分支编码器、缝合生成模块和微调阶段。双分支编码器负责提取点云的拓扑和几何特征，生成模块则基于这些特征生成缝合。

关键创新：SeamCrafter的创新在于其自回归生成机制和基于偏好的优化方法，能够在缝合生成中有效降低失真和碎片化。

关键设计：模型采用了双分支结构，分别处理拓扑和几何信息，并通过直接偏好优化（DPO）进行微调，优化过程中使用了新提出的缝合评估框架。损失函数设计上考虑了UV失真和碎片化的权重。

📊 实验亮点

实验结果显示，SeamCrafter生成的缝合在UV失真和碎片化方面分别降低了XX%和YY%，相比于基线方法，显著提升了缝合质量和视觉效果。这一成果表明，SeamCrafter在实际应用中具有较高的实用价值。

🎯 应用场景

SeamCrafter在3D建模、游戏开发和动画制作等领域具有广泛的应用潜力。通过提高缝合生成的质量，能够显著提升纹理映射的效果，进而优化艺术家的工作流程，减少后期调整的时间和成本。未来，该技术可能会推动更高效的3D内容创作工具的发展。

📄 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.