ATryToSkyLinesAsset

Background

大概是最近没什么意思，想弄 Blender 搞个犀牛坦克和灰熊坦克的模型，导入到天际线里面看刁民们开坦克上班。

同时又琢磨要不要顺便 3D 打印一个玩，就倒角、突起、格栅啥的该做做。反正我水平也一般，很快糊出来一坨屎。

这个面数直接爆炸。导入天际线的车辆资产，面数怎么着也应该是千级的吧，可是这个时候我却发现我这坨屎直接 60000 面。

我替大伙尝试过了，这个面数直接导入不进去，60000、45000、35000 都不行，30000 以下才勉强行。但是你一辆车就 30000 个面是不是太过分了？那么多刁民一掏口袋坦克，电脑岂不是冒烟？

但是我又不想手动重新建模（虽然说让我重新做个简单盒子，估计早就做完了），于是就想能不能利用 AI 做一个自动减面的工具？而且减面完了自动烘焙贴图，然后导入到城市天际线中去。

和 AI 大概聊了一下，目前大概有三种路线：

路线 1：人工 Retopo

这是 AAA 游戏的常规做法：

1
2
3
4
5

高模
  ↓
美术重建低模
  ↓
Bake

缺点：

• 无法自动化
• AssetForge 不可能走这个路线

路线 2：Simplygon 路线

核心思想：

• 识别特征
• 保留轮廓
• 删除细节

本质上还是：

1

QEM + Feature Preservation

路线 3：现代研究路线

近几年开始出现一些新的方向，例如：

• Feature Aware QEM
• Mesh Simplification in the Wild

核心思想：

• 保留边界
• 保留高曲率区域
• 保留法线变化大的区域

优先压缩：

• 平面
• 重复细节

人工的方法肯定是不考虑的，我也不是拿去做商业模型，没有那么高的精度要求。当时觉得我的模型都是比较简单方正的，也许简单的路线 2 就可以 work。删一删特别小的面，合并合并，可能面数一下子就降低了。

Rule-Based Optimizer

于是说干就干，立刻让 Codex 开始操刀。

Preprocess

最初先进行一次低风险的清理：

• 对共面或近似共面的多余三角做 Limited Dissolve

这一步不会大幅改变形状，是比较安全的默认开启项，但是效果一般。在 rhino_tank 上：

• 62,656 -> 60,310 tris
• 减少 2,346 tris
• 约 3.74%

可以说，离我们的目标还有很远，于是就需要进一步处理。所以这里理所当然地想到构建一个 pipeline，由保守到激进，看哪一步能够达到目标面数就停止。

Geometry Report and Conservative Candidate-Aware Reduce

在刚才的安全减面后，就得考虑哪里可以删面了。预处理后会先出一个 report，判断哪里适合优化：

• 平面区域
• 高密度区域
• 曲率区域
• silhouette 外轮廓贡献
• 可减面候选
• 应保护区域
• 可疑区域

再把这些面大概分成：

• MUST_KEEP
• SOFT_KEEP
• REDUCE_FIRST
• DELETE_CANDIDATE

然后进行预处理后的第一次减面：

• 使用 Geometry Report 的候选区域
• 保护 silhouette 和高重要结构
• 优先处理安全区域
• 不强行达标

效果嘛，肯定还是有效果，但是仍然达不到我们的目标。很多小纹理其实已经不需要保留，但是判断不出来，面数还是过多。那就需要更加激进的策略了。

Aggressive Reduce

最开始直接让它自由减面，坦克直接不成样子，图我也没留，就不提了。

后来和 Codex 讨论，就加了更详细的规则：

2A Structural Protection Expansion

不只保护 silhouette 命中的三角，还会扩张一圈邻接区域，避免只保护几百个点导致结构塌陷。

2B Detail Candidate Detection

标记低可见性小细节、细碎装饰、可删除或可强压缩区域。

2C Bucket-Based Controlled Decimate

按 bucket 分强度减面：

• MUST_KEEP 基本不动
• SOFT_KEEP 中等减
• REDUCE_FIRST 强减
• DELETE_CANDIDATE 极强减或清理

2D Local Fallback

如果还高于目标，继续优先压低重要区域；最后才考虑更危险的压缩。

Stage 2 的目标是：主体、炮塔、炮管、车体大轮廓先保住，再牺牲细节。

Detail Suppression

效果不够，自然还需要继续改，于是又有了新的一步。它的定位不是大范围 decimate，而是专门处理：

• 小钉子
• 小倒角
• 局部纹理
• 圆环
• 细长条带
• 重复高密度小特征

目前主要通过通用几何规则识别低重要细节，然后用更强的 Limited Dissolve / 局部清理处理。它已经让形状更稳定，但还有提升空间，尤其是更精准识别环状、条带状、重复细节。

效果嘛，只能说到这一步为止，多少有的用，但是离目标还远得很，该清除的细节还是没有清除。

导入游戏测试

不过做都做了，导入游戏试试看！

不过导入的时候我发现了一个傻 der 的事情。在渲染热力图的时候，AI 实现的方案是把响应位置替换成目标颜色的材质，然后它就清空了。

于是原本直接 build 烘焙的模型自带的贴图有颜色，它 optimize 以后反而成素体了！！！！！不行，给我改。

fine，导出和烘焙是没问题的，还是想搞好这个自动减面。

感兴趣的话可以看一下：OccamForge。

Update Optimizer

但是吧，这样也不是一个办法，细小的纹理识别还是很差。再让 AI 搞下去，它就要针对坦克的样式去硬编码地写 if else 了。

目前的方案如果再继续去做 stage 4、stage 5、stage 6，就会变得像 if else 堆起来的 rule-based 自动驾驶规控系统，庞大却又永远有解不完的问题。毕竟我当规控工程师这么久了我能不知道么。

于是让 AI 大概搜了一些现行方案。

网格优化方案

Classic Mesh Simplification

代表方法：

• QEM
• Progressive Mesh
• Edge Collapse
• Lindstrom-Turk

核心流程：

1
2
3
4
5
6
7

Mesh
  ↓
Edge Collapse
  ↓
Error Metric
  ↓
删边

优点：

• 快
• 成熟
• 工业标准
• Blender / Unity / Unreal 都有影子

缺点：

• 不理解语义
• 不知道什么是炮管
• 不知道什么是轮子

如果我没理解错的话，还是聚类。

Feature-Aware Mesh Simplification

代表方法：

• Feature Sensitive Metric
• Feature Preserving QEM
• FA-QEM
• Curvature-aware QEM

核心流程：

1
2
3
4
5
6
7

Mesh
  ↓
Feature Detection
  ↓
Feature Weight
  ↓
QEM

这个看上去就是在求解一个最优化问题，目标是简化网格，同时保留特征。

Neural Mesh Simplification

代表方法：

• Neural Mesh Simplification (CVPR)
• GNN Simplification
• Learned Edge Collapse

核心流程：

1
2
3
4
5

高模 + 优秀低模
  ↓
训练
  ↓
预测保留区域

这个就是 AI 方案了，用高模和低模的对比来训练 AI 模型，预测出哪些区域应该保留。

Region / Cluster Simplification（优化范围）

前面三条路线主要在研究怎么简化网格，但是在此之前，还可以先把模型划分区域 它解决的是：

1

在哪里优化

而不是：

1

怎么决定删边

即：

1

Optimization Scope

而不是：

1

Cost Function

可以和上面的方法任意组合

Region

核心思想：

1
2
3
4
5
6
7
8

Tank
 ↓
Body
Turret
Track
Wheel
 ↓
分别优化

先将模型划分为具有结构意义的区域。

然后：

1

每个区域独立简化

例如：

• 车体
• 炮塔
• 炮管
• 履带
• 轮组

可以采用不同的简化策略。

优点：

• 更符合模型语义
• 容易保留主体结构
• 适合硬表面模型

Cluster

代表：

• Nanite
• Cluster Decimation
• HLOD

核心思想：

1
2
3
4
5
6
7

Mesh
 ↓
Cluster
 ↓
Hierarchy
 ↓
Independent Simplification

先把 Mesh 划分为大量小 Cluster。

然后：

1

每个 Cluster 独立优化

再构建层级结构。