NVIDIA 推出 FlexiCubes：可替代經典演算法，讓 3D 生成網格更精細

現在用 AI 生成 3D 模型已經不稀奇了，但真正做過遊戲或者動畫的人都知道，從 AI 出來的資產往往不能直接用。

最頭疼的就是網格質量。很多演算法提取出來的模型表面坑坑窪窪，三角面雜亂無章，想拿去繫結做動畫或者跑物理模擬，往往得花大量時間手動修模。

在洛杉磯舉辦的 SIGGRAPH 2023 上，NVIDIA 拿出了一項名為 FlexiCubes 的新研究，專門解決這個長期卡在 3D 生成管線裡的硬傷。

換掉用了幾十年的老演算法

熟悉 3D 渲染和建模的人，大機率都聽過 Marching Cubes 演算法。三十多年來，從斷層掃描到現代神經隱式表面，大家提取等值面網格基本都靠它。

但老演算法在面對現代基於梯度的 AI 最佳化時，就顯得有些力不從心了。生成出來的幾何體要麼細節糊成一片，要麼邊緣鋸齒嚴重。

FlexiCubes 的做法非常巧妙，它被設計成 Marching Cubes 的即插即用替代品。開發者不需要推翻現有的訓練框架，直接換上它就能跑。

它的核心邏輯是在網格生成環節引入了額外的靈活引數。在模型迭代最佳化的過程中，這些引數會隨著梯度反向傳播同步更新，從而精準微調網格結構。

不只為了好看，還能直接扔進物理引擎

無論你是做攝影測量重建，還是用生成式 AI 從文本直接生成 3D 資產，FlexiCubes 都能在複雜形變和細微結構上保留更多細節。

更關鍵的一點在於物理模擬。過去 AI 生成的表面網格要想參與碰撞或受力計算，必須再做一次繁瑣的體網格化。

FlexiCubes 可以直接生成高質量的四面體網格。這意味著模型一匯出來，就能無縫扔進物理引擎裡做開箱即用的模擬測試。

這篇名為《Flexible Isosurface Extraction for Gradient-Based Mesh Optimization》的論文和專案頁面已經公開，展示了在多種管線下的對比效果。

為什麼重要

對於 3D 創作者和遊戲開發者來說，這套工具直擊痛點。AI 3D 資產從玩具走向工業可用，最大的阻礙從來不是畫面像不像，而是網格規不規整、能不能算物理、進引擎會不會崩潰。如果它真能無縫替換掉原先粗糙的提取步驟，省下的修模工時相當可觀。

對整個行業而言，生成式 3D 的競爭正從單純拼模型引數，下沉到拼底層圖形管線的相容性。誰能把 AI 產物和傳統 DCC 軟體、物理引擎無縫接軌，誰就能先吃下生產環境的紅利。

我們認為 NVIDIA 這一步走得極其紮實。它沒有去卷一個全新的 3D 基礎大模型，而是盯準了所有 3D AI 管線都繞不開的網格提取瓶頸，做了一個通用的底層升級。不過看起來這套方法依然依賴基於梯度的最佳化迴圈，在處理超大規模即時推理時算力開銷有多大，仍需要看後續工程落地的表現。