★ FEATURED ARTICLE 做网格参数化的人绕不开的一个名字就是LSCMLeast Squares Conformal Maps最小二乘保角参数化。我最早接触它是在做纹理映射的时候把一个三维人头模型展开到二维平面再用棋盘格纹理贴回去如果参数化做得好棋盘格几乎不变形做得不好脸上到处是拉伸和扭曲。LSCM就是那个能把“角度畸变”压到最低的经典算法2002年由Bruno Lévy等人提出直到今天它仍然是UV展开、网格重建、重网格化、形态分析等一堆下游工作的默认起点之一。这篇内容会从LSCM的核心数学思想讲起把“为什么是最小二乘”“为什么叫保角”“离散网格上怎么落地”这几件事彻底说透再带着你用C/Eigen从零搭一个可运行的实现最后聊一聊我在实际项目中踩过的坑。适合正在做几何处理、想搞懂参数化原理的开发者也适合只是想在项目里快速接入UV展开功能、但不想只会调库的同学。1. 为什么网格参数化绕不开LSCM1.1 参数化到底解决的什么问题参数化的本质很简单给定一张三维曲面网格我们要为它找到一个二维参数域上的坐标通常叫UV坐标使得从三维到二维的映射尽可能“保真”。什么叫保真不同场景定义不同。纹理映射希望角度不变因为角度变了纹理图案会歪斜重新网格化希望面积尽量均匀因为面积畸变会直接改变采样密度物理仿真里的壳结构展开甚至要求边长都不变那是等距映射。但现实中绝大部分网格都有非零高斯曲率比如球面、人脸、衣服曲面它们无论如何都无法无畸变地展开成一个平面。这一点由Gauss-Bonnet定理从根上决定了平面域总曲率为零而曲面总曲率由拓扑决定两者不相等就必然产生畸变。既然无法做到所有度量都完美保持那就必须选择“优先保什么”。LSCM选择的是保角度也就是共形映射。这个选择非常聪明角度畸变是最容易被人眼感知的畸变之一而且在所有可微映射中共形映射对面积和边长的扭曲方式也相对“温和”它允许局部缩放但缩放比例各向同性像一个橡皮膜被均匀拉伸——不会出现“某个方向被拉长、另一个方向被压扁”的剪应力感。所以LSCM最合适的定位是当你需要把三维表面摊平又不希望纹理图案被歪斜、变形、撕裂时它几乎是第一选择。1.2 三类参数化算法里LSCM的位置参数化算法主流可以分三类等距映射、保面积映射、共形映射。等距映射要求所有边长和角度同时保持约束最强对一般网格几乎无解只能把畸变摊到整个面上代表有ARAP尽可能刚体这类迭代算法。保面积映射只要求面积不变角度可以歪常见于面积加权类方法。共形映射只要求角度不变允许均匀缩放代表就是LSCM、ABF、共形映射族。类型保角度保面积保边长典型算法适用场景等距是是是ARAP、弹簧模型形状近似可展平的薄壳类保面积否是否面积加权参数化面积均匀采样、部分仿真共形是否否LSCM、ABF、DCP纹理映射、UV展开、重网格化从这个表可以看出LSCM不是万能的它能很好地保持角度但不保证面积比例和边长比例。如果用来做直接建模、加工类项目后期还需要根据面积畸变做补偿。但作为通用UV展开手段它兼顾了效果、速度、实现门槛三者的平衡——这也是我至今仍然在很多项目里默认先用LSCM打底的原因。2. LSCM的数学原理从Cauchy-Riemann到最小二乘2.1 共形映射的连续版本要理解LSCM得先理解复分析里的共形映射。设二维平面上一个映射写成复函数形式 φ u i v其中 (u, v) 就是参数坐标。这个映射共形的充要条件是满足Cauchy-Riemann方程组∂u/∂x ∂v/∂y∂u/∂y -∂v/∂x这两个式子表达了一个几何直觉参数域里的局部小正方形经过映射之后对应到原表面仍然是一个“局部旋转等比例缩放”的正方形而不是被压扁或拉长的矩形。用生活化的方式理解你在橡皮膜上画满方格共形映射相当于你均匀拉扯橡皮膜每个方格还是方格只是整体可能变大变小、旋转了一定角度。这个Cauchy-Riemann条件还能写成更简洁的复形式。如果定义复梯度算子 ∂/∂z̄ (∂/∂x i∂/∂y)/2那么共形条件等价于 ∂φ/∂z̄ 0。也就是说共形映射是复平面上“最圆润”的那类映射它没有剪切畸变只有缩放。但现实是一个任意三维曲面网格几乎不可能找到严格满足Cauchy-Riemann方程的平面参数化。因为三维网格的高斯曲率分布是任意且离散的想把它散开成平面必然在局部产生扭曲。所以LSCM做了一个关键妥协——不要求每个点都严格共形而是最小化共形条件的违反程度。2.2 从“严格共形”到“最小二乘”的关键一步LSCM把Cauchy-Riemann方程的两个等式改造成一个能量函数E_LSCM(φ) ∫_Ω ( ∂u/∂x - ∂v/∂y )² ( ∂u/∂y ∂v/∂x )² dxdy这个积分的意义很直白如果映射严格共形两项都为零能量为零如果映射有角度畸变能量是一个正数数值越大畸变越严重。LSCM要做的就是找到UV坐标让这个能量尽可能小。为什么用平方而不是绝对值因为平方以后能量函数变成UV坐标的二次型二次型的极值问题可以直接通过求解线性方程组得到。这是整个算法最漂亮的地方一个看似复杂的几何畸变问题被转换成了一次稀疏线性系统求解。接下来的问题是这个二次型在离散三角形网格上长什么样答案是把每个三角形上的梯度算出来然后组装成一个全局的稀疏矩阵。对每个三角形它的“梯度矩阵”可以预先算好再乘上三角形面积加权最后拼成大矩阵。这就是LSCM全部的实现核心。2.3 两个固定点背后的自由度二次型最小化还有一个隐患如果没有任何约束UV坐标存在大量的平凡自由度。你可以把所有UV平移一段距离能量不变旋转一个角度能量不变整体缩放能量也不变。也就是说解不唯一。这就像你问“怎么把一个正方形放在桌面上最稳”如果没有任何约束答案有无穷多放左边、放右边、转个角度、放大缩小都行。LSCM的做法是在网格上固定两个顶点的UV坐标比如固定顶点 p0 和 p1让它们的UV分别等于 (0,0) 和 (1,0)。为什么是两个点因为复平面上的相似变换正好有4个实自由度平移2个x、y方向、旋转1个、缩放1个。固定两个点提供了4个约束方程刚好把自由度全部消除。实际操作中固定点的选择会影响结果的质量如果两个点靠得太近或者恰好落在同一个退化三角形上求解出来的参数化可能非常不稳定。一般我会选网格包围盒上距离最远的两个顶点来固定这能让缩放尺度尽量贴近网格整体尺寸减少数值问题。3. 从原理到代码数值实现的关键细节3.1 局部坐标与梯度组装先确认输入一个三角网格顶点数组和三角形索引数组。每个三角形有三个三维顶点 p0、p1、p2。要在这个三角形上计算2D梯度得先在局部建立一组正交基把三个顶点投影到平面上。我常用的做法是令 e1 p1 - p0令 e2 p2 - p0局部坐标第一个点 p0 设为 (0, 0)第二个点 p1 设为 (|e1|, 0)第三个点 p2 的局部坐标为 ( (e1·e2)/|e1|, |e1×e2|/|e1| )这样得到的是三角形在自身切平面上的二维表示。然后计算这个三角形上的梯度算子矩阵 D_t它是一个 2×3 矩阵作用在三个顶点的标量值上得到该标量场的平面梯度。具体表达式可以用面积坐标推导这里直接给出常见形式设局部三角形面积为 A三个局部点坐标分别为 (x0,y0)、(x1,y1)、(x2,y2)则梯度算子∂f/∂x [(y1-y2)f0 (y2-y0)f1 (y0-y1)f2] / (2A)∂f/∂y [(x2-x1)f0 (x0-x2)f1 (x1-x0)f2] / (2A)把这个式子写成矩阵 D_t每个三角形的LSCM能量贡献就是E_t A_t · | D_t · (u 或 v) |² 的组合把u、v交错排成一个未知量向量 x [u0, v0, u1, v1, ..., un, vn]每个三角形会贡献一个小的稠密矩阵最后叠加成全局稀疏矩阵 M。目标变成min xᵀ M x再加上固定点的约束把对应行和列删掉移项到右边就变成一个标准的最小二乘问题 A x b。如果你只想要一套能跑的代码到这里基本就够了——理解了这个流程你已经能自己写出LSCM。3.2 矩阵结构与稀疏求解LSCM组出来的大矩阵 M 是一个 2n×2n 的稀疏半正定矩阵n是顶点数。由于每个三角形只连接三个顶点非零元非常有限老实的做法是用稀疏矩阵存储避免稠密矩阵把内存炸掉。求解时一般用稀疏Cholesky分解。Eigen里对应的类是SimplicialLDLT或SimplicialLLT也可以用SuiteSparse的CHOLMOD。对于十万顶点的网格这类直接法通常几秒到几十秒就能出结果速度可以接受。如果网格更大或者需要实时预览可以用共轭梯度法配合预条件子但要注意共轭梯度法需要矩阵正定——这引出了下一个关键问题。3.3 负权重与正定性陷阱LSCM组出来的二次型矩阵不一定正定。原因在于当三角形是钝角三角形时标准余切权重会出现负值。虽然LSCM采用的是梯度平方形式而不是直接写出余切权重但两者在代数上等价负权重问题一样存在。负权重会导致什么矩阵可能变成病态的甚至不是半正定的。解出来的UV坐标可能飞出去也就是产生极大的坐标值、严重的三角形翻转。一个很典型的症状是同一套代码在高质量的均匀网格上解出来的UV非常漂亮换成一个带大量细长三角形的扫描网格后UV直接乱掉。处理方式有几种。第一在网格预处理阶段做各向同性重网格化把钝角三角形清理掉这是最有效的办法。第二对负权重三角形做裁剪或重新加权比如把负权重截断为零再归一化但这会稍微偏离原始LSCM能量需要在实现中明确记录。第三检查求解器是否返回成功如果矩阵不正定及时报错而不是硬算。我在实际项目中遇到最多的情况是网格本身质量很差LSCM解出来UV乱飞很多人第一反应是调求解器参数其实根本问题在网格质量。先把网格修好LSCM就会恢复稳定。4. 实操全流程用C/Eigen从零搭一个LSCM4.1 预处理网格检查与切割输入网格不是随便拿过来就能展开。LSCM只适用于拓扑为圆盘genus 0带一条边界的网格。如果你的模型是封闭的球面拓扑必须先切割出一条路径把它变成带边界拓扑。切割位置的选择非常影响展平效果。我习惯把接缝放在曲率变化大的地方比如头部的耳朵后面、下颌线或者根据应用需求让用户手动指定切割路径。接缝不要放在视觉中心区域否则纹理接缝会非常明显。预处理清单检查网格流形性每条边最多被两个三角形共享检查三角形方向一致性所有三角形法向指向同一侧如果封闭网格用Dijkstra或最短路径生成切割线形成单边界拓扑计算连通分量LSCM只能处理单一连通分量4.2 核心实现与代码下面是一段可运行的Eigen实现核心逻辑。我把它简化到LSCM的主干部分帮助你对照理解。#include Eigen/Sparse #include Eigen/Dense #include vector struct Mesh { std::vectorEigen::Vector3d verts; std::vectorEigen::Vector3i tris; }; // 组装 LSCM 稀疏矩阵 M并返回固定点约束 void build_lscm_system(const Mesh mesh, Eigen::SparseMatrixdouble M, Eigen::VectorXd b, int fixed0, int fixed1) { int n (int)mesh.verts.size(); int rows 2 * n; std::vectorEigen::Tripletdouble triplets; // 目标向量 x [u0,v0, u1,v1, ...] // 每三角形的局部坐标与梯度 for (auto tri : mesh.tris) { Eigen::Vector3d p0 mesh.verts[tri[0]]; Eigen::Vector3d p1 mesh.verts[tri[1]]; Eigen::Vector3d p2 mesh.verts[tri[2]]; Eigen::Vector3d e1 p1 - p0; Eigen::Vector3d e2 p2 - p0; double len1 e1.norm(); double len2 e2.norm(); double cosA e1.dot(e2) / (len1 * len2); double sinA e1.cross(e2).norm() / (len1 * len2); // 局部2D坐标 Eigen::Vector2d q0(0.0, 0.0); Eigen::Vector2d q1(len1, 0.0); Eigen::Vector2d q2(len2 * cosA, len2 * sinA); double A 0.5 * (q1.x()*q2.y() - q2.x()*q1.y()); // 有向面积 // 梯度算子 2x3 Eigen::Matrixdouble,2,3 D; D q1.y()-q2.y(), q2.y()-q0.y(), q0.y()-q1.y(), q2.x()-q1.x(), q0.x()-q2.x(), q1.x()-q0.x(); D / (2.0 * A); // LSCM能量对u和v分别二次型再组合 // 每个三角形的贡献A * |D u|^2 A * |D v|^2 交叉项 // 这里直接组装到全局稀疏矩阵 Eigen::Matrixdouble,3,3 M_loc A * D.transpose() * D; // 对应三角形三个顶点的u,v索引 int idx[3] { tri[0]*2, tri[1]*2, tri[2]*2 }; for (int ii0; ii3; ii) { for (int jj0; jj3; jj) { // u-u 块 triplets.emplace_back(idx[ii], idx[jj], M_loc(ii,jj)); // v-v 块 triplets.emplace_back(idx[ii]1, idx[jj]1, M_loc(ii,jj)); } } // 交叉项来自Cauchy-Riemann (展开后的 -∂u/∂x ∂v/∂y ∂u/∂y ∂v/∂x) // 完整推导可参考LSCM原论文这里略去交叉项以体现核心组装思路 // 真实生产环境中需要补全否则能量不完整 } // 固定两个顶点: 把对应行/列移到右边 // 简化做法删除固定点行/列求解后可填回 // 这里用“移动变量法”示意 M.resize(rows, rows); M.setFromTriplets(triplets.begin(), triplets.end()); b.resize(rows); b.setZero(); // 注意此处只是系统组装骨架实际求解时需处理固定点约束 }上面代码里我把交叉项略去了因为完整展开公式较长。真正生产级实现需要补全交叉项否则能量只在“角度完全保持”时正确但梯度方向会错。一个快速核对方法把每个三角形的6×6局部矩阵完整算出来再全局组装而不是只放DᵀD。4.3 后处理与结果验证求解出UV之后第一时间要做的不是直接拿去贴纹理而是先验证结果质量。我的习惯是三个步骤第一步看行列式。对每个三角形计算从三维坐标到UV坐标的2×2 Jacobian矩阵的行列式。如果行列式出现负值说明该三角形在参数域里发生了翻转。LSCM本身不能保证无翻转出现少量翻转可以接受但大面积翻转就是出问题了。第二步看能量值。把每个三角形的共形能量累加起来得到一个全局能量值。这个数值本身没有绝对意义但可以用来对比不同参数化参数的效果。第三步做可视化。把UV坐标画成二维三角形网格直接肉眼看有没有翻转、重叠、极度拉伸的区域。如果配合棋盘格纹理贴回模型更能直观看出角度畸变分布。5. 常见问题与排查技巧实录5.1 解出来的UV大面积翻转这种情况最多的原因就是固定点选择不当或者网格质量差。先检查三角形最小角度如果网格里大量存在小于10度的细长三角形LSCM的数值稳定性会非常差。我的处理顺序是先做网格清理和重网格化如果网格质量没问题再换固定点方案还是不行就考虑改用ARAP或Tutte嵌入做初始化再用LSCM迭代收尾。在工程上很少有一个LSCM单发到底就能完美处理所有网格的情况通常需要和其他算法配合。5.2 结果没有翻转但纹理拉伸严重这时候问题可能不是角度畸变而是面积畸变。LSCM只保证角度尽量一致面积会被不均匀地缩放。高曲率区域会被压缩得很小低曲率区域又会被放大。纹理显示时小面积区域会因为纹素密度过高而显得糊。解决方案有两条路一是接受共形展开在后处理里用各向异性过滤或多级纹理缓解二是先跑LSCM再以它作为初始解跑几轮面积补偿迭代比如逐步加上面积正则项。很多工业级UV展开工具实际采用的就是“LSCM打底 面积补偿”的组合。5.3 矩阵求解慢或者内存爆炸十万顶点以内的网格用Eigen SimplicialLDLT完全没问题。再往上比如百万顶点规模建议改用共轭梯度法配合不完全Cholesky预条件子。另外不要忘了LSCM矩阵是对称的存储时用SparseMatrix 加RowMajor标记组装时用Triplet批量插入这些细节对性能影响很大。还有一个小技巧固定点约束不要用“直接删行删列”的方式处理那样会破坏矩阵结构的对称性。更优雅的方法是使用拉格朗日乘子或者把对应行设为单位行、对应列乘到右边保持稀疏求解的高效性。不过从实现简单角度删行删列其实也够用只是矩阵重排稍微麻烦。5.4 常见问题速查表现象可能原因处理建议UV坐标飞出去正定性破坏、固定点不佳重网格化、换固定点大面积翻转网格质量差各向同性重网格化局部过度拉伸面积畸变LSCM面积正则求解报错矩阵不正定启用预条件子或换求解器纹理接缝明显切割线位置不好把接缝放到视觉盲区6. 一点个人体会我自己在项目里用LSCM最多的时候是做人脸建模和服装曲面展平。踩过最深的坑就是“以为LSCM只是解一个线性系统所以什么问题都能交给它”。实际上LSCM的成功率高度依赖预处理网格要干净拓扑要正确切割要合理。那些看起来神奇的UV展开效果背后往往是精细的预处理流程和多次验证。如果你正在学习这一块我的建议是不要只盯着代码跑通而是亲手做一遍能量推导把Cauchy-Riemann方程展开成二次型算出每个三角形的局部矩阵再全局组装。这个过程做完一遍比你看十篇综述都有用。之后无论是扩展到ARAP、拟共形映射还是用到深度学习里的可微参数化层你都会比别人理解深一层。
阅读完成 · 觉得有帮助？
