WildFab: Multi-Axis 3D Printing from Models in the Wild

📄 arXiv: 2609.02413v1 📥 PDF

作者: Jiasheng Qu, Zhikai Shen, Chenyu Xu, Hailin Sun, Chengkai Dai, Yuhu Guo, Junpeng Wang, Yeung Yam, Guoxin Fang

分类: cs.GR, cs.RO

发布日期: 2026-09-02

💡 一句话要点

提出WildFab以解决多轴3D打印中几何处理问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 多轴3D打印 几何处理 神经网络 工具路径计算 碰撞检测 设计到制造 非流形结构

📋 核心要点

  1. 现有的多轴3D打印方法在处理真实世界几何体时面临固体-壳体组合和非流形结构的挑战，往往需要耗时的几何修复。
  2. WildFab提出了一种新的计算框架，通过混合查询表示直接计算空间工具路径和无碰撞运动，减少了几何修复的需求。
  3. 实验结果表明，WildFab能够成功处理多种复杂输入，显著提升了从设计到3D打印的工作流程效率。

📝 摘要（中文）

多轴3D打印能够实现无支撑制造和提高部件质量，但处理真实世界几何体仍然具有挑战性。设计工作流或直接数据采集的模型常常包含固体-壳体组合和非流形结构。处理这些模型通常需要耗时的几何修复，可能会改变预期几何形状。本文提出了WildFab，一个计算框架，能够直接从输入模型计算空间工具路径和全局无碰撞运动。我们的管道基于混合查询表示，结合了神经无符号距离场（UDF）和正则化广义缠绕数场（reg-GWN）。UDF提供可微分的表面距离和方向查询，而reg-GWN通过提供可靠的表面定位和固体-空洞指示器来解决拟合UDF中的近表面模糊性。我们验证了WildFab在多种输入上的有效性，展示了其从非流形参数曲面、体素化拓扑优化结果、隐式模型、原始扫描点云和非水密网格成功计算的能力。

🔬 方法详解

问题定义：本文旨在解决多轴3D打印中对真实世界几何体的处理问题，现有方法在处理固体-壳体组合和非流形结构时效率低下，且常需几何修复，可能影响最终结果。

核心思路：WildFab通过结合神经无符号距离场（UDF）和正则化广义缠绕数场（reg-GWN）来实现高效的空间工具路径计算，避免了传统几何修复的复杂性。

技术框架：WildFab的整体架构包括输入模型的处理、空间工具路径计算和碰撞检测三个主要模块。首先，利用UDF和reg-GWN进行几何特征提取，然后计算工具路径，最后进行碰撞检查以确保运动的安全性。

关键创新：WildFab的创新在于其混合查询表示，UDF提供了可微分的表面距离和方向信息，而reg-GWN则解决了近表面模糊性，确保了高精度的表面定位。

关键设计：在技术细节上，UDF用于提供表面距离查询，reg-GWN用于指示固体和空洞的边界，碰撞检测采用了粗到细的检查策略，首先通过UDF识别潜在碰撞，再通过reg-GWN进行精确验证。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，WildFab能够成功处理多种复杂输入，包括非流形参数曲面和原始扫描点云，显著提高了从设计到3D打印的工作流程效率。与传统方法相比，WildFab在处理速度和精度上均有显著提升，验证了其在实际应用中的有效性。

🎯 应用场景

WildFab的研究成果在多个领域具有广泛的应用潜力，包括工业设计、建筑、医疗器械制造等。其高效的几何处理能力能够加速从设计到制造的整个流程，提升产品的质量和生产效率。未来，WildFab有望在更复杂的几何体和材料上实现更广泛的应用。

📄 摘要（原文）

Multi-axis 3D printing enables support-free fabrication and improved part quality, but robustly processing real-world geometries remains challenging. Models from design workflows or direct data acquisition often contain solid--shell combinations and non-manifold structures. Handling such models in the wild typically requires time-consuming geometry repair, which may alter the intended geometry. In this work, we present WildFab, a computational framework for multi-axis 3D printing that directly computes spatial toolpath and global collision-free motion from input models. Our pipeline builds on a hybrid query representation that combines a neural unsigned distance field (UDF) with a regularized generalized winding number field (reg-GWN). The UDF supplies differentiable surface-distance and direction queries, while the reg-GWN resolves near-surface ambiguity in the fitted UDF by providing reliable surface localization and a solid-void indicator. Based on this representation, we introduce a high-precision spatial toolpath computation algorithm that iteratively projects points between optimized guidance-field level sets and reg-GWN gradient-magnitude ridges. Subsequently, we develop an efficient and robust coarse-to-fine collision checking scheme for motion planning: UDF-based rejection first identifies potential collisions, while time-varying reg-GWN verification accurately resolves collision pairs for both solid and shell components. We validate WildFab on diverse inputs, demonstrating successful computation from non-manifold parametric surfaces, voxelized topology-optimization results, implicit models, raw scanned point clouds, and non-watertight meshes. The fabrication results highlight our method's ability to advance end-to-end design-to-3DP workflows.