文章核心观点 - 深圳大学黄惠团队提出的CLR-Wire技术，首次将复杂三维曲线框的几何与拓扑信息统一编码到连续潜空间中，解决了传统方法难以同时有效捕捉这两类信息的难题 [1] - 该技术能够实现复杂三维结构的高效生成、平滑插值以及基于点云、图像的条件生成，在工业设计、三维重建和内容创作等领域具有广泛的应用前景 [1][8] 技术原理与架构 - **核心创新**：通过多层交叉注意力将神经参数化曲线及其离散拓扑关系联合编码为定长潜向量，并借助变分自编码器构建连续的潜空间分布 [8] - **生成方法**：采用流匹配方法实现从高斯噪声到完整线框的生成，支持无条件生成以及基于点云、图像的条件生成 [8] - **模块构成**： - **CurveVAE**：将各类三维几何曲线映射为紧凑的潜向量表示，通过标准化、交叉注意力机制和一维卷积进行编码与解码，实现曲线的连续化重建 [13] - **WireframeVAE**：融合曲线潜向量、顶点坐标及邻接关系，通过Perceiver聚合模块生成统一的全局潜向量，并解码完整重建线框结构 [15] - **Flow Matching**：训练速度场网络描述潜向量随时间的演化，将初始噪声分布演变为目标潜在分布，以生成新的潜空间样本 [17] 性能评估与实验结果 - **评估指标**：采用倒角距离、推土机距离度量几何相似性，并采用覆盖率、最大均值差异和1-最近邻评分衡量样本的多样性与分布一致性 [19] - **无条件生成对比**：在ABC数据集上，CLR-Wire在多项指标上显著优于3DWire、DeepCAD和BrepGen等先进方法 [19][21] - **覆盖率**：CLR-Wire的CD覆盖率为48.30%，EMD覆盖率为50.34%，均高于对比方法 [22] - **分布差异**：CLR-Wire的CD最大均值差异为3.07，EMD最大均值差异为8.36，均低于对比方法 [22] - **分布契合度**：CLR-Wire的CD 1-最近邻评分为54.10%，EMD 1-最近邻评分为54.98%，证明其潜空间分布与测试集高度契合 [22] - **条件生成能力**： - **点云条件生成**：在稀疏和局部缺失点云条件下，CLR-Wire在倒角距离、推土机距离和F1分数上均优于RFEPS和NerVE等方法 [22] - **具体数据**：CLR-Wire的倒角距离为8.26，推土机距离为2.58，F1分数为0.910 [22] - **图像与草图条件生成**：能够基于单视图图像或草图生成完整且具新颖性的三维曲线框，展现出良好的跨模态生成能力 [24] 应用展示与潜力 - **平滑插值**：通过球面线性插值在潜空间中实现不同三维曲线框之间的平滑过渡，成功捕捉了起始与目标线框之间的几何细节与拓扑变化 [26][27] - **实际应用**：该技术为计算机辅助设计设计与三维内容创作提供了高效可靠的全新解决方案，在直观编辑与交互式操作等场景中具有潜在价值 [9][27] 项目信息 - **研究团队**：第一作者为深圳大学可视计算研究中心博士研究生马雪奇，合作者包括刘奕林、高天龙、黄期瑞 [1] - **开源情况**：CLR-Wire相关代码已全面开源 [1] - **资源链接**： - 项目主页：https://vcc.tech/research/2025/CLRWire [8] - 项目代码：https://github.com/qixuema/CLR-Wire [8] - 论文链接：https://arxiv.org/abs/2504.19174 [8]