海南
AM易道分享
给模型手动上色的读者应该都懂一种烦恼。
鼠标一笔一笔刷过去，刷到复杂结构、镂空和边缘，手一抖就糊出界，撤销，重来。
半小时过去，3D打印机器完全没动起来。
最近有篇论文把这活交给AI，教AI学会给模型涂色。
上图可以看到算发拆出来的模型，桌椅、人偶、车辆、房子，色块边界清晰
论文叫SegviGen，十一位作者，北航牵头，还有人大、清华、北京交通大学，以及拓竹。
代码和权重已经按MIT协议开源，链接在文章最后。
为什么涂色比认零件容易
我们自己涂色的常常并不是沿着零件边界描线，最直观应用往往是拿填充工具往区域里一点，让颜色自己漫开，漫到边界为止。
判断一块是不是零件，本来就是个填色的活，不需要描线。
以前的做法是完全反过来的。
训练一个网络去输出零件编号，这块是1号，那块是2号。
要教会它，得先人手工标注海量3D模型，一块一块告诉它编号。
标注很麻烦，更麻烦的是不同数据集对多细算一个零件的定义互相打架，数据越攒越乱。
本文算法没有从零开始训练，而是借了微软一个现成的3D生成模型Trellis.2来改。
这类模型的特点是为了能生成出一把像样的椅子，已懂得椅子的腿、座面、靠背怎么组合。
所以这个模型本就有优势理解物体本身。
算法到底怎么涂色
下图是整体流程。
简单来说，输入的模型网格先被压成一份内部数据，这份数据用来锁死物体形状，也圈定了哪些小方块算数。
可以当它是一副骨架，模型能在骨架上决定每块什么颜色。
颜色从一团随机噪点开始。
训练时把正确配色掺进噪点里搅浑，让模型学着还原回去。
而真实使用时候则从纯噪点起步，顺着学会的那条路往回走十几步，颜色慢慢显影。
图右下角那三个蘑菇小屋，就是同一套参数干的三件事。
涂成黑白是选中单个零件，每个零件随机上色是全自动拆件，然后照着一张2D贴图精准涂色。
这里有个不起眼但关键的设计。
训练时同一个模型要用十套随机配色反复涂。
这的目的不让模型记住某区域的具体某种颜色。
目的只让它学哪一堆该同色、哪一堆该异色。
颜色在这儿只是个能随便换的记号，并不是物体属性。
如果这步省掉，它学会的就是认颜色而不是认结构，换个没见过的东西立刻没法用。
下面看看这个研究实用性如何。
一，不全拆，只想挑一块
回到开头那个场景。
多数时候我们并不需要软件把模型拆成二十块，只想要其中一块给颜色。
这一块以前只能靠手刷。
现在的目标是点一下能自动选取你要的涂色部分。
难就难在，你点的是表面上一个点，模型得猜出这个点属于哪一整块，边界在哪儿。
下图看黄点是点击位置，红色是模型认出的零件。前两行是旧方法，最后一行是SegviGen
三行是同一个动作。
上面两种旧算法，一个只圈出一道残缺的弧，一个啃下一小团，只有最后一行本文的算法把整个镜头连着外圈完整抠了下来。
右半边换成台座上的物体，结论一样。
第一下不准也不要紧，你可以接着补点，补一个它修一次边界。
腾讯混元的P3-SAM是此前公认最强的同类方法，它点到第三下之后基本就不动了，你再补点它也不动了。
而本文的算法点到第十下还在补齐精准度，分割准确度从五成一路爬到八成。
下图看这套东西对应的操作界面，点一下加一个零件
他们做出来的界面展示了蛋糕上的奶油、热狗里的香肠、手表的表带、机器狗的四条腿，点哪个出哪个。
不点也行，一键全拆
要是一个模型有二十个零件，点二十下也是折磨。
第二种模式索性不用用户动手，直接把整个模型拆开，一个零件一个颜色。
这比点一下要难得多。
点一下至少你告诉了它从哪儿起手，全自动是它自己决定如何分件。
下图实对比五种方法拆件同一批模型，最后两列是本文算法SegviGen
可以看到有的糊成一片根本分不出块，有的能分出大块但边界发虚。
最后两列是本文的成果，色块边缘是齐的。
一批模型说明不了什么，换批更接地气的再比一次。
下图是水果盘、卡通角色、沙发、老巴士
沙发那行别的方法把靠背和坐垫粘成一整块，SegviGen把两块分开了。
水果盘和老式巴士也一样，该断的地方断得清晰。
还有最容易露馅的地方也对比测试了。
传统靠多视角拼出来的老方法，往往正面拆得漂亮，一转到背面就废。
上图每个物体都给了两个角度。
相机、墨镜、盆栽郁金香、手表、粉色跑车，转过去色块位置并没有飘。
想拆几块，用户说了算
前两种模式有个共同的毛病。
拆成几块是它算法定的，不是用户定的。
如果想把整只鞋当一块，它偏要把鞋带单拆出来。
第三种模式解决的就是这个，也是这篇论文独有的能力。
给一张2D颜色贴图，把想要的分法画好，它试图照着往3D模型上涂。
你想拆五块就五块，想拆二十块就二十块。
AI生成的模型也能拆
上面这些测试用的都是人做的模型，规规矩矩。
但我们手上越来越多的模型是AI生成的，那类东西面和面连的并不规则，拆起来是另一回事。
直接拿混元3D 2.1生成的模型来测，没做任何额外训练，也没有标准答案可对。
一个忍者，一个圣诞老人，照样拆得出来。
这一步接上了，从生成到打印才算一条完整的链。
比跑分值钱的细节
论文提到，Trellis.2（之前的老算法）解码出来的网格，和用户输进去的原始模型并不是同一个，面数和局部连接都改变了。
SegviGen（新算法）则把预测出的颜色搬回你原来那个模型网格上。
每个顶点取最近有效方块的颜色，每个面按顶点投票定归属，再轻度平滑一遍，抹掉边界上的毛刺。
说白了，相对来说，它还给你的是你自己那个模型，只是每个面上多了标签。
这对3D打印切片来说很关键。
模型没被算法重做过，对切片和打印效果至关重要。
不过这个算法也不是完美的。
论文自己贴了失败案例。
比如下图拆出来的块数和人预期对不上，以及引导图过细时的边界退化。
我们认为智能上色是未来刚需。
这类研究解决的就是这类刚需。
至于算法赋予的颜色怎么落到打印机上，这一步以目前的大家设备硬件水平并不算难事。
有意思的是论文通篇没提多色3D打印，谈的全都是零件分割、编辑、绑定这些通用能力，拓竹在十一位作者里只占两席，牵头的是北航。
我们认为这类研究的下一步已经可以从论文走向切片软件了。
门槛并不高，代码和权重按MIT协议摆在GitHub上，八个卡八小时训一版，任何一家有软件团队的厂商今天就能尝试产品化。
我们希望未来这样的算法越多越好，进终端软件越早越好。
也希望各品牌的用户都能用上。
AI时代的多色3D打印需要智能上色工具/算法带来的迅捷美感，而不是痛苦缅怀用windows自带画图工具带来的考古感。
自己试试
项目主页，拆好的GLB可以直接点开逐个零件看，比截图直观：https://fenghora.github.io/SegviGen-Page/
代码和权重，MIT协议：https://github.com/Nelipot-Lee/SegviGen
打算本地跑的先看门槛，官方要求Linux系统加一张显存不低于24GB的N卡，而且得先把微软Trellis.2的环境装好：https://github.com/microsoft/TRELLIS.2
论文原文与PDF：https://arxiv.org/pdf/2603.16869
信源：Li L, Feng H, Huang Z, et al. SegviGen: Repurposing 3D Generative Model for Part Segmentation. ACM Trans. Graph. 45(4), Article 68, July 2026.
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
