Meshy等提出SeamFlow：把UV切线从逐条预测改为边缘概率上的流匹配
香港城市大学、Meshy AI、拓竹科技与南洋理工大学合作的SeamFlow被SIGGRAPH Asia 2026接收。它把「某条边是不是切线」松弛为连续概率，用流匹配一次性生成整套切线布局，从而消除自回归切割的投影误差与顺序偏置。
AI解读：UV展开的老问题是：曲面摊平必然有畸变，只能靠切线把模型切成多个UV岛来缓解，但切在哪里同时受三个条件约束——畸变要小、贴图接缝要少、切线还不能切断人脸或logo这类语义完整的区域。此前同时满足这三条基本只能靠美术手工。
SeamFlow的做法是先改数据表示：既然切割物理上沿网格的边走，就把每条边当成一个token，把「是切线/不是切线」的离散判断松弛成 0 到 1 之间的连续概率。这样整套切线布局变成高维超立方体里的一个点，速度场和流匹配就能直接用上，所有边并行决策。
这直接消掉了自回归路线的两个硬伤。基于坐标词表逐条预测切线，路径会漂离网格表面，需要后处理吸附回去，接缝因此出现锯齿和错位；而流匹配的输出天生落在网格边上，不需要投影。另外切线本质是无向分支图，没有天然书写顺序，强行排成一维序列会引入顺序偏置和误差累积。
对 3D美术和资产管线来说，实际差别在于：一个训练好的模型可以对同一网格采样出多套都成立的切线方案，支持保留满意部分、只重画局部，也能作为网格修复工具。论文称在灭火器、多组件装配体和棋盘格贴图对比中，复杂拓扑处做细切、平坦区域保持长路径，减少碎岛导致的贴图模糊与溢色。
需要保留的边界：这些结论来自论文与官方博客，主要是定性视觉对比和自回归基线的畸变、耗时落后，没有公开可泛化的量化收益。且论文被SIGGRAPH Asia 2026接收，会议时间为 2026 年 12 月 1 日至 4 日，吉隆坡，ACM DOI要等论文集出版后才解析。
香港城市大学、Meshy AI、拓竹科技（Bambu Lab）与南洋理工大学合作提出的SeamFlow，已被SIGGRAPH Asia 2026会议论文接收，会议于 2026 年 12 月 1 日至 4 日在吉隆坡举行。论文题为《SeamFlow: Structure-Aware Flow Matching on Edge Probabilities for Artist-Like UV Unwrapping》，项目页为meshy-dev.github.io/seamflow，arXiv编号 2609.04751，ACM DOI为 10.1145/3829340.3842329（待论文集出版后解析）。以下内容依据Meshy官方博客与论文摘要整理。
论文要解决的问题是UV展开：把曲面摊平到平面必然产生畸变，只能靠切线把网格切成多个UV岛来释放拉伸和压缩。切线越多畸变越小，但接缝伪影和贴图断裂点越多；切线越少画面越干净，但畸变压不住。第三个约束是语义——脸不能被从中间剖开，logo和文字不能被切断，语义完整的区域要整体保留以便绘制和编辑。
SeamFlow的核心是一次松弛：把「边ei是不是切线」这个离散状态改写为连续概率xi ∈ [0,1]，整套切线布局于是成为高维超立方体 [0,1]^|E| 中的一个点。有了连续空间就可以定义速度场并使用流匹配，把高斯噪声沿学习到的概率流输运到几何一致、语义连贯的切线配置上。
为什么放弃自回归：投影误差、顺序偏置与解码速度
论文梳理了既有三条路线。传统参数化方法（Blender Smart UV、xatlas、OptCuts等）构造几何能量并优化，畸变控制扎实，但优化计算昂贵、易陷入局部最优，也无法利用大数据集的语义先验，结果常是切线直接穿过关键语义区域。
神经优化方法（Nuvo、FlexPara，以及把环境光遮蔽作为监督信号、把切割轨迹推向视觉不显眼凹陷区域的VaP）仍停留在逐模型优化的范式，每个物体优化一次的成本难以在真实生产管线中扩展。基础模型方法（PartUV、SaP借助PartField、Segment Any Mesh等预训练分割模型）存在结构性错配：语义分割的边界与释放几何畸变的最优切割轨迹并不等同，沿语义标签直接切往往引入冗余接缝，反而破坏整体贴图连贯性。
最接近生成式的是以SeamGPT为代表的自回归路线：把切线序列化为token逐条预测。论文指出它有三个架构障碍。一，投影误差——自回归方法通常使用基于坐标的词表，在连续三维空间中预测切线轨迹，模型不知道网格连接关系，预测路径会漂离表面流形，需要后处理吸附回网格，这会产生锯齿接缝和UV岛边界错位。二，顺序偏置——切线本质是无向、分支的图结构，不存在天然的书写顺序，强行排成一维序列会注入人为表示偏置，序列前段的小偏差会在后段不可预测地放大。三，解码速度——在边数众多复杂网格上，逐token串行生成慢到不可接受。
把边当作token，全局编码器提供形状先验
论文的第一个判断是：既然切割物理上沿网格的边走，理解三维连接性的基本单位就该是边而不是顶点或面。因此每条边ek = (vi, vj) 被建模为一个独立token。论文称这种以边为中心的表征带来三点直接收益：精度与效率上，边缘token相对稠密点云天然离散，跳过连续空间建模的分辨率瓶颈；拓扑感知上，把目标网格的拓扑直接嵌入表征，使生成的切割几何合理、拓扑有效，且不像GNN那样受局部感受野限制；解空间约束上，建模目标从无限的三维连续体收缩到有限的网格边集合，简化学习目标、加快收敛。
特征构造上论文刻意克制：不设计手工几何特征，只取边两端点的三维坐标pi、pj，按XYZ排序保证表示唯一，再经MLP嵌入为特征向量。
只看边没有全局视角是危险的，模型会淹没在局部拓扑细节中、失去对整体形状的判断。因此论文用一个点云编码器（结构上沿用 3DShape2VecSet的latent-set架构）提取全局语义，压缩成全局特征向量C_global，再通过交叉注意力动态注入每个边缘token。论文称这种解耦让全局先验负责物体是什么、哪里对称、切线大致如何分布，边缘token负责走哪条具体线，从而避免大量边缘token在超长上下文里两两交互带来的计算灾难。
训练目标与推理：50 步欧拉求解器采样
表示就位后，生成部分变得干净。真值切线的离散标签序列被连续松弛，映射到超立方体 [0,1]^|E| 内的目标分布X1，先验X0是标准高斯分布，两者由最优传输路径直接连接：Xt = (1 − t)X0 + tX1。对应的目标速度场很简单，就是终点减起点：ut(Xt|X1) = X1 − X0。
作为速度场预测器的transformer基于边缘token构建，输入当前时间步的边缘概率、时间条件t以及融合后的全局与拓扑条件H_cond，直接回归该时刻每条边的概率流导数；训练用MSE对齐预测场与目标场。
推理时，给定网格的几何条件特征只需计算一次；随后从高斯分布采样初始噪声X0，用ODE求解器积分连续概率流，默认使用 50 步欧拉方法，所有边的概率在多维空间中并行收敛。论文称该机制还带来多样性：不同初始噪声沿同一概率流场收敛到不同局部最优，各自都对应拓扑连贯、视觉合理的切割布局，契合UV切割本质上的一对多特性，一个训练好的模型可以向下游贴图环节提供一整套候选布局。
实验：定性对比为主，回击自回归基线
论文指出UV质量很难用少数标量判定——同样的畸变数字可能描述一条沿结构折痕的接缝，也可能描述一条横穿脸颊的接缝，因此主要用视觉结果比较。
在几何规则、语义结构清晰的家具和常见物体上，论文称差异容易看出：传统方法只关注畸变能量，切线位置与物体功能部件无关；SeamFlow沿物体天然的结构缝隙切割，把切线放在结构本身已经断开的位置，视觉连续性提升，且没有以牺牲畸变为代价。
复杂模型上以灭火器为例，手柄和软管是复杂拓扑，瓶身是大片简单几何：论文称模型在手柄、细长分支和密集细节区域做精细局部切割以释放畸变，在瓶身这类平坦稀疏区域保持简洁的长路径切线、不过度切割。传统几何优化倾向过度分割此类模型，把网格打碎成大量微小UV岛；神经优化方法常反向走得太保守，有时产生自交叠的参数化。多组件装配体上，全局编码器感知整体语义，所有子组件并行处理，从单体模型扩展到复合场景不需要额外装配。
贴图环节论文用棋盘格对比同一只茶杯：其布局方块分布均匀、几乎看不到拉伸或剪切，跨物体边界的过渡自然，映射后的视觉破损明显减少。论文把UV结果直接接入工业级 3D贴图生成器，称差距更大：碎裂的UV岛会让扩散模型在小块之间反复连接失败，产生模糊和渗色；SeamFlow生成的大而语义连贯的岛让高频细节可以直接在UV空间合成，图中FIRE字样等文字和logo跨接缝保持清晰连贯。
局部补绘上，论文在固定其余区域、遮掉一个复杂拓扑交界处的情况下，让模型补全缺失切线并接到已有路径上。论文称这让交互式约束成为可能：用户可以保留满意的走线，只让模型重画不满意的部分，同时它也是一种轻量修复工具。
为比较流匹配与自回归，论文用同一transformer骨干和同一训练集训练了自回归基线，称其在畸变和运行时间两项上都明显落后，输出中还能看到投影误差造成的接缝错位。论文的结论是：与其为适应生成范式而重塑数据，不如让生成范式匹配数据结构——切线是活在网格边上的无序图结构，所以用边做token；切线决策是离散的，但它所在的空间可以连续流动，所以先松弛再跑流匹配。这把「为给定网格找一个最小能量切线」的优化问题，改写成「为给定网格采样一组合理切线」的生成问题；一旦是生成问题，多样候选、局部重画和交互约束就不再是外挂功能，而是同一框架的自然延伸。