Mesh Extraction: 从隐式场到三角网格¶
从隐式场（SDF / 标量场）中提取显式三角网格表面，是 3D 生成 pipeline 的关键一步。本文梳理三种主流方案——经典 Marching Cubes、可微的 DMTet、以及完全可微的 FlexiCubes——的原理与发展关系。
核心问题¶
空间被划分为体素网格，每个顶点存储一个标量值（如 SDF 值）。
问题：如何从这些离散数值中提取出连续、光滑的三角网格表面（Mesh）？
Marching Cubes (MC)¶
Marching Cubes: A High Resolution 3D Surface Construction Algorithm (Lorensen & Cline, 1987)
MC 是"元老级"表面提取算法，核心思想是分治法——遍历每个由 8 个相邻体素顶点组成的逻辑立方体。→ 详情页
算法步骤¶
1. 分类 (Classification)
检查 8 个顶点：值 > 阈值标为"内部"(1)，否则为"外部"(0)。形成 8 位二进制码，共 \(2^8 = 256\) 种状态。
2. 查表 (Lookup Table)
利用旋转/互补对称性，256 种情况简化为 15 种基本拓扑。用索引查预计算表，确定该立方体内的三角形切割方式。
3. 插值 (Interpolation)
表面切过的边上，用线性插值确定精确切点：
4. 法线计算
通过标量场的梯度估算表面法线，用于光照渲染。
MC 的局限性¶
| 问题 | 描述 |
|---|---|
| 特征丢失 | 顶点只能在网格边上——无法表达锐利边缘/角点，尖角被削成倒角 |
| Sliver Triangles | 表面接近顶点时产生极细长三角形，对渲染/模拟不友好 |
| 不可微 | 拓扑变化（查表）是离散的；SDF 微小变化导致符号翻转时网格突变——无法梯度下降优化 |
AI 时代的最大痛点
不可微性使得 MC 无法直接嵌入深度学习的端到端训练管线。
从 Primal 到 Dual¶
为解决 MC 的特征丢失问题，图形学界引入了对偶 (Dual) 方法：
| 方法 | 顶点位置 | 特点 |
|---|---|---|
| MC (Primal) | 网格的边上 | 简单可靠，但无法表达尖角 |
| DC / DMC (Dual) | 网格的体素内部 | 可以更好地贴合形状 |
Dual Marching Cubes (DMC) 是 FlexiCubes 的直接前身——允许在立方体内部放置顶点并连接，但顶点位置通常固定（中心或 QEF 求解），优化中不够稳定。
FlexiCubes¶
Flexible Isosurface Extraction for Gradient-Based Mesh Optimization (Shen et al., 2023)
FlexiCubes 是对 DMC 的完全参数化、可微化改造，专为深度学习梯度优化而设计。→ 详情页
设计思路¶
仅优化 SDF 不够——网格提取过程本身也需要可学习参数。
三组可学习参数¶
Flexibility 1: 权重 \(\alpha \in \mathbb{R}^8\), \(\beta \in \mathbb{R}^{12}\) — 控制顶点位置
DMC 中对偶顶点通常固定在体素中心。FlexiCubes 通过 \(\alpha, \beta\) 加权组合，让对偶顶点在体素内部自由移动。
- 可精确捕捉锐利特征
- 避开导致劣质三角形的位置
- 完全可微：\(\frac{\partial \text{VertexPos}}{\partial \text{Weights}}\) 连续
Flexibility 2: 网格变形 \(\delta\) — 调整底层网格
允许体素网格顶点本身发生微小位移，让网格"迎合"物体表面。
Flexibility 3: 分割权重 \(\gamma\) — 控制拓扑连接
DMC 生成四边形需剖分为两个三角形。\(\gamma\) 让网络学习最优剖分方式（连接对角线 A-C 还是 B-D），最小化 Loss。
工作流程¶
神经网络输出 SDF + (α, β, γ, δ)
↓
DMC 规则确定拓扑连接（保证水密性和流形性）
↓
α, β 参数计算每个顶点精确位置
↓
渲染 → 计算 Loss
↓
梯度同时回传到 SDF 和 FlexiCubes 参数
FlexiCubes 解决了什么？¶
- 高质量网格：三角形分布均匀，能表现锐利边缘
- 梯度平滑性：拓扑变化时顶点位置弹性调整，优化不震荡
- 端到端可微：可直接嵌入微分渲染管线
DMTet (Deep Marching Tetrahedra)¶
Deep Marching Tetrahedra: a Hybrid Representation for High-Resolution 3D Shape Synthesis (Shen et al., 2021)
DMTet 使用四面体网格代替立方体网格，结合神经网络预测 SDF 值和顶点位移，实现部分可微的网格提取。→ 详情页
核心优势¶
- 四面体无拓扑歧义：4 个顶点仅 3 种基本情况，比 MC 的 15 种更简洁
- 自适应分辨率：可在表面附近局部加密四面体，远离表面保持稀疏
- 可变形网格：神经网络预测顶点位移，网格能主动贴合物体表面
应用¶
Fantasia3D 和 Magic3D 均使用 DMTet 作为几何表征，通过 SDS Loss 优化 SDF 和顶点位移，直接输出高质量 Mesh。
总结对比¶
| 特性 | Marching Cubes (1987) | DMTet (2021) | FlexiCubes (2023) |
|---|---|---|---|
| 网格类型 | 立方体 | 四面体 | 立方体（对偶） |
| 核心逻辑 | Primal（顶点在边上） | Primal（边上插值） | Dual（顶点在体素内） |
| 可微性 | 不可微 | 部分可微 | 完全可微 |
| 自适应分辨率 | 不支持 | 支持 | 不支持 |
| 可学习参数 | 无 | SDF + 位移 | SDF + α/β/γ/δ |
| 网格质量 | 一般 | 较好 | 最好 |
| 主要应用 | 医学成像、离线重建 | Fantasia3D, Magic3D | TRELLIS, SparseFlex |
发展路径：MC（不可微）→ DMTet（部分可微 + 自适应）→ FlexiCubes（完全可微 + 高质量）
一句话概括
Marching Cubes 是机械式翻译（死规则）；DMTet 是半智能翻译（可变形但不够灵活）；FlexiCubes 是全智能翻译官（所有决策都可学习优化）。
在 3D 生成中的应用¶
TRELLIS¶
SLAT → Mesh 解码路径使用 FlexiCubes：Transformer 输出 SDF 场 + FlexiCubes 参数，经上采样（\(64^3 \to 256^3\)）后通过 FlexiCubes 提取最终 Mesh，整个过程端到端可微，通过可微分渲染训练。
SparseFlex¶
SparseFlex 在 FlexiCubes 基础上引入稀疏体素结构——仅在物体表面附近的体素上执行 FlexiCubes 提取，跳过空白区域。这结合了 DMTet 的"自适应"思想与 FlexiCubes 的"完全可微"优势，在保持高质量的同时减少计算量和内存消耗，支持更高分辨率的网格提取。