Learning Conjugate Direction Fields for Planar Quadrilateral Mesh Generation¶

会议: AAAI 2026
arXiv: 2511.11865
代码: https://github.com/jiongtj/Learning-CDF
领域: 3D视觉
关键词: 平面四边形网格, 共轭方向场, 深度学习, 建筑设计, 可控生成

一句话总结¶

提出一种基于DGCNN的数据驱动方法高效生成共轭方向场（CDF），避免了传统非线性优化的高计算开销，支持用户笔画引导的可控CDF生成，将CDF生成速度提升了1-2个数量级，同时配套发布了包含50000+自由曲面的大规模数据集。

研究背景与动机¶

平面四边形（PQ）网格在计算机辅助设计中至关重要，尤其是建筑表面的离散化。PQ网格的核心优势包括：(1) 面的平面性大幅降低玻璃等物理材料的制造成本；(2) 相比三角网格，顶点度更低，减少了支撑结构的复杂性；(3) 边缘布局直观美观。

PQ网格生成通常分两步：先生成初始四边形网格布局，再通过几何优化细化使每个面趋于平面。初始布局的质量取决于曲面上的共轭方向场（CDF）——CDF的共轭性保证初始网格面近似平面，对后续PQ网格优化至关重要。

核心挑战：不同于主曲率方向场（PDF）由曲面几何唯一确定（等距点除外），CDF不唯一且自由度很高。需要用户通过笔画指定偏好方向，作为非线性优化约束来计算CDF。但这个非线性优化： - 计算量大：随网格规模增长急剧增加（~20k面时需17秒，~60k面时需40秒） - 迭代次数多：设计者常需要反复调整笔画和重新计算，交互体验差 - 妨碍探索：无法实时预览不同CDF方案对应的PQ网格布局

方法详解¶

整体框架¶

输入：三角网格 \(\mathcal{M} = \{\mathcal{V}, \mathcal{F}\}\) + 用户笔画 \(\mathcal{S} = \{\mathbf{S}_i\}\)

输出：每个三角面上的方向向量对 \(\{(\mathbf{u}_j, \mathbf{v}_j)\}\)，构成CDF

流程：特征提取 → CDF预测 → 全局参数化 → 四边形网格提取 → 顶点扰动优化

关键设计¶

1. 特征表示¶

为每个顶点构建9维特征向量，由三部分拼接：

顶点位置 \(\mathbf{p}_i \in \mathbb{R}^3\)：编码网格几何
顶点法线 \(\mathbf{n}_i \in \mathbb{R}^3\)：编码局部曲面朝向
笔画投影向量 \(\mathbf{l}_i = \mathbf{p}_i^* - \mathbf{p}_i \in \mathbb{R}^3\)：从顶点到最近笔画点的向量

笔画投影向量的设计是一个全局笔画表示——它编码了每个顶点与笔画曲线的空间关系，而非单纯处理笔画本身。实验证明这比用Point Cloud Transformer（PCT）提取笔画特征效果好很多（δ: 8.31° vs 20.98°）。

2. 网络架构¶

特征提取模块：基于DGCNN，使用4层EdgeConv提取顶点特征。与原始DGCNN不同，本文将每个顶点的局部特征与全局形状特征拼接，再通过全连接层得到256维特征表示。DGCNN通过动态图在每层重新计算局部邻域，能自适应学习多尺度几何信息。

预测模块：两个独立MLP分别预测 \(\{\mathbf{u}_j\}\) 和 \(\{\mathbf{v}_j\}\)。从顶点特征到面特征通过简单平均。每个MLP包含3层（256→128→64→3），前两层使用BatchNorm+ReLU，最后一层直接输出并归一化到单位长度。

3. 损失函数设计¶

本文精心设计了5个损失项：

方向对齐损失 \(\mathcal{L}_d\)：衡量预测CDF与ground truth的对齐程度。使用旋转90°后的ground truth向量来处理符号歧义，并取两种对应关系的最小值：

\[\mathcal{L}_d = \frac{1}{m}\sum_{j=1}^{m} \min(E_j, E_j')\]

其中 \(E_j = (\mathbf{u}_j \cdot \mathbf{u}_j^{*\perp})^2 + (\mathbf{v}_j \cdot \mathbf{v}_j^{*\perp})^2\)

法线一致性损失 \(\mathcal{L}_{dn}\)：确保预测方向与面法线正交：

\[\mathcal{L}_{dn} = \frac{1}{m}\sum_{j=1}^{m} (\mathbf{u}_j \cdot \mathbf{n}_j)^2 + (\mathbf{v}_j \cdot \mathbf{n}_j)^2\]

方向平滑损失 \(\mathcal{L}_{ds}\)：确保CDF在相邻面间平滑过渡，减少奇点：

\[\mathcal{L}_{ds} = \frac{1}{|\mathcal{N}|}\sum_{(j,k)\in\mathcal{N}} \min(E_{jk}, E_{jk}')\]

通过平行传输处理相邻面法线不同的情况。

笔画一致性损失 \(\mathcal{L}_{dc}\)：确保CDF方向与用户笔画对齐：

\[\mathcal{L}_{dc} = \frac{1}{|\mathcal{S}|}\sum_{\mathbf{S}_i \in \mathcal{S}} \frac{1}{|\mathcal{T}_i|}\sum_{k \in \mathcal{T}_i} D_k\]

场正则化损失 \(\mathcal{L}_{fr}\)：防止预测零向量：

\[\mathcal{L}_{fr} = \frac{1}{m}\sum_{j=1}^{m} (||\mathbf{u}_j||-1)^2 + (||\mathbf{v}_j||-1)^2\]

总损失：\(\mathcal{L}_{total} = \mathcal{L}_d + \lambda_1\mathcal{L}_{dn} + \lambda_2\mathcal{L}_{ds} + \lambda_3\mathcal{L}_{dc} + \lambda_4\mathcal{L}_{fr}\)

所有权重均设为1.0。

损失函数 / 训练策略¶

数据集：50000训练 + 2500验证 + 300测试的B样条曲面
每个曲面2601个采样点，5000个面
通过PCA归一化位置和朝向
Adam优化器，学习率 \(1.0 \times 10^{-4}\)，训练200 epoch
硬件：Intel i9-14900K + NVIDIA RTX 4090

实验关键数据¶

主实验（计算效率对比）¶

CDF生成时间对比（vs. 传统优化方法）：

模型	面数	优化方法	本文方法	加速比
Test Model 1	5,000	2.851s	0.200s	14.3×
Test Model 2	5,000	2.855s	0.194s	14.7×
Vase	23,642	17.326s	0.254s	68.2×
Dome	44,490	30.198s	0.417s	72.4×
Face	60,077	40.412s	0.571s	70.8×
Garden（建筑）	8,322	4.946s	0.206s	24.0×
Yas Island（建筑）	7,029	3.766s	0.204s	18.5×
Aqua Dome（建筑）	10,790	6.522s	0.217s	30.1×

面数越多，加速比越大：5k面时~15×，60k面时~71×。传统方法时间近线性增长，学习方法几乎平坦增长。

消融实验¶

消融损失函数对测试集的影响（300个模型平均）：

配置	奇点数	δ (笔画一致性)	θ (CDF接近度)	说明
Full model	4.91	8.31°	11.30°	完整模型
w/o \(\mathcal{L}_{ds}\)	7.02	7.38°	10.55°	奇点大幅增加
w/o \(\mathcal{L}_{dc}\)	4.67	10.32°	11.48°	笔画一致性下降
PCT笔画特征	8.97	20.98°	19.06°	远差于本文表示

关键发现¶

平滑损失 \(\mathcal{L}_{ds}\) 对减少PQ网格奇点至关重要（7.02→4.91）
笔画一致性损失 \(\mathcal{L}_{dc}\) 将δ从10.32°降到8.31°
本文的笔画投影向量表示远优于PCT（δ降低60%，θ降低41%），验证了曲面上下文感知的重要性
PQ网格的平面性（初始即很好 \(\eta_{\text{mean}} \approx 0.006\)），经顶点扰动优化后进一步提升到~0.002
方法能泛化到开边界曲面、真实建筑曲面，甚至拓扑各异的封闭模型（如Stanford Bunny）
对比VectorHeat和NeurCross：VectorHeat无法保证共轭性，NeurCross限于PDF，均不适用于可控CDF生成

亮点与洞察¶

问题定义精准：CDF的非唯一性既是灵活性来源也是计算瓶颈，用学习方法绕开非线性优化是自然且有效的方案
笔画表示设计巧妙：投影向量编码了每个顶点与笔画的空间关系，隐式地将笔画信息传播到整个曲面
损失函数处理方向歧义：通过旋转90°和取最小值的方式优雅地处理了方向场固有的符号和对应歧义
大规模数据集贡献：50000+样本的合成数据集也是实际贡献，且通过模拟实际设计工作流（从ground truth CDF追踪流线模拟笔画）来构造训练数据

局限与展望¶

在锐特征处CDF无法准确对齐锐边（因为训练数据中未包含锐特征）
没有对奇点数量和位置的显式控制
仅使用B样条曲面生成的合成数据，可能限制泛化能力
未探索无监督方法以获得更好泛化
笔画的覆盖范围和密度对结果有影响，但缺乏系统分析

评分¶

新颖性: ⭐⭐⭐⭐ — 首次用深度学习解决CDF生成问题
实验充分度: ⭐⭐⭐⭐ — 效率对比充分，消融完整，泛化测试到建筑和通用3D
写作质量: ⭐⭐⭐⭐⭐ — 问题定义清晰，数学推导严谨
价值: ⭐⭐⭐⭐ — 对建筑设计CAD有直接应用价值