新一代 AI 工作流已经在生成高保真 3D 模型方面取得了巨大成功，从基于给定图像的场景重建，到能够为交互式体验制作资产的生成式 AI。

这些生成的 3D 模型通常被提取成标准的三角网格。网格表示法有很多优点，包括支持现有的软件包、高级硬件加速，以及支持物理模拟。然而，并非所有网格都是相同的，只有高质量的网格才能实现这些优点。

NVIDIA Research 提出了一种名为“FlexiCubes”的新方法，它可以在 3D 工作流中生成高质量网格，从而提升各类应用的质量。

FlexiCubes 网格生成

图 1. 用 FlexiCubes 方法重建的网格示例

无论是重建还是模拟，AI 工作流的共同之处就是：网格是在优化过程中形成的。在这个过程中的每一步，表示都会不断更新，以更好地匹配所需的输出。

全新 FlexiCubes 网格生成方法是通过引入额外的、灵活的参数，来精准调整所生成的网格。通过在优化过程中更新这些参数，网格质量得到极大提高。

熟悉基于网格的工作流的人或许使用过 marching cubes 方法来提取网格。FlexiCubes 可以在基于优化的 AI 工作流中直接代替这一方法。

图 2. 用 FlexiCubes 方法生成的高质量网格

FlexiCubes 通过神经网络工作流，如摄影测量法和生成式 AI，来生成高质量网格。

网格越好，AI 越好

FlexiCubes 网格提取方法改进了许多最近的 3D 网格生成工作流，进而生成了能够更好表示复杂形状的细节的更高质量的网格。

这些生成的网格也非常适合用于物理模拟，因为要想高效产出稳定的模拟，网格的质量尤其重要。四面体网格可直接用于物理模拟。

图 3. 用 FlexiCubes 方法生成的四面体网格示例

立即探索 FlexiCubes

在洛杉矶举办的 SIGGRAPH 2023 大会上，NVIDIA 将这一研究作为其进展之一进行了展示。了解有关此新方法的更多信息，请关注 FlexiCubes 项目页面Flexible Isosurface Extraction for Gradient-Based Mesh Optimization (FlexiCubes)。