训练一个可用于物体识别、场景理解或3D生成的模型时，输入数据的质量往往比模型结构更早决定效果上限。与图像或文本不同，3D模型数据没有统一的像素或Token尺度，它可以是三角网格、点云、体素甚至CAD参数，清洗时既要考虑几何错误，也要处理拓扑、语义和格式问题。原始3D资产中常混有低面数占位模型、扫描残片、重复上传内容以及缩放和朝向异常的文件，这些噪声如果不在一开始剔除，会持续影响损失曲线和生成质量。
低质量数据的判定与过滤
三角网格是目前AI 3D任务中最常见的表示形式，低质量网格通常表现为非流形边、孤立顶点、退化三角形和错误法线。非流形边是指一条边被三个或更多三角形共享，这种结构会让许多几何算法失效，例如体积计算、碰撞检测和光线求交。退化三角形则指面积接近零的面，通常由重复顶点或错误建模造成。使用现成的库可以快速定位这些问题，例如trimesh提供is_watertight、is_winding_consistent和remove_degenerate_triangles等接口，Open3D也内置了remove_non_manifold_edges和remove_duplicated_vertices方法。过滤策略不应只做二分类，而应该给模型打出质量分，记录顶点数、面片数、连通分量数量、面积分布等指标，后续根据任务需求灵活设置阈值。
点云数据的低质量表现不太一样，主要问题是密度不均、噪声点和配准残影。可以统计每个点的近邻距离分布，如果某个区域的点密度远低于整体均值，通常意味着扫描缺失或遮挡。体素化数据则容易出现分辨率不一致或有效体素占比过低的问题。在工程实现中，可以先按格式分流，再针对网格、点云和体素分别执行质检规则。下面这段代码展示了基于Open3D的快速网格检查，它会返回是否通过基础质量门槛：
import open3d as o3d
import numpy as np
def quick_quality_check(mesh_path):
mesh = o3d.io.read_triangle_mesh(mesh_path)
if len(mesh.vertices) < 100:
return False, "vertex count too low"
if len(mesh.triangles) < 200:
return False, "triangle count too low"
mesh.remove_duplicated_vertices()
mesh.remove_degenerate_triangles()
mesh.remove_non_manifold_edges()
bbox = mesh.get_axis_aligned_bounding_box()
extent = bbox.get_extent()
if min(extent) < 1e-6:
return False, "degenerate bounding box"
ratio = max(extent) / (min(extent) + 1e-9)
if ratio > 1e4:
return False, "extreme aspect ratio"
return True, "ok"
这段代码只处理了最明显的问题，实际项目中还需要检查UV坐标是否缺失、材质贴图是否能正常加载、三角形法线是否统一。对于以FBX或GLB形式存储的模型，最好在导入阶段统一转换成标准三角网格，并保留一份原始元数据，避免后续清洗步骤丢失材质或骨骼信息。
重复3D数据的检测与去重
重复数据在3D资产库中非常普遍，尤其是通过网络爬虫抓取的模型，同一个物件可能以不同文件名、不同压缩方式或略微修改的形态出现很多次。精确重复相对容易处理，可以先对文件内容计算SHA-256哈希，但压缩格式或元数据差异会导致哈希不同，因此更可靠的做法是对解析后的几何数据做规范化签名。将模型归一化到单位球或固定分辨率的体素网格中，再把体素占用情况序列化为字节串，这个签名不受平移、缩放和旋转影响，也不受文件格式影响。
对于近似重复，例如同一个椅子模型被轻微编辑过或导出了不同细节层次，单靠哈希无法识别。这时可以提取形状分布描述子，例如D2距离分布，也就是从模型表面随机采样成对点并统计距离直方图。两个模型的D2直方图如果高度相似，大概率是近似重复。还可以将模型投影到多个视角生成深度图或轮廓图，再用图像特征做相似度检索。工程上建议先用体素签名做粗筛，再对候选集合计算D2距离或局部几何特征，既保证召回率，也控制计算量。下面是一个体素签名生成示例：
import numpy as np
import open3d as o3d
def voxel_signature(mesh, resolution=64):
bbox = mesh.get_axis_aligned_bounding_box()
center = bbox.get_center()
scale = max(bbox.get_extent())
mesh.translate(-center)
mesh.scale(1.0 / scale, center=(0, 0, 0))
voxel_grid = o3d.geometry.VoxelGrid.create_from_triangle_mesh(mesh, voxel_size=1.0 / resolution)
signature = np.zeros((resolution, resolution, resolution), dtype=np.uint8)
for voxel in voxel_grid.get_voxels():
x, y, z = voxel.grid_index
if 0 <= x < resolution and 0 <= y < resolution and 0 <= z < resolution:
signature[x, y, z] = 1
return signature.tobytes()
在大规模数据集中，逐对比较的复杂度是O(n²)，不可接受。可以借助局部敏感哈希或倒排索引，将相似的体素签名放到同一个桶里，再在桶内做精确比较。还可以引入聚类，把D2距离小于阈值的模型归为同一组，每组只保留质量分最高的一个。
异常3D数据的识别与处理
异常数据并不仅指几何破损，还包括坐标范围错误、朝向错误、材质完全丢失、内部面片大量堆积等情况。离群点是最容易检测的一类，在点云中可以使用统计滤波，计算每个点与其近邻的平均距离，如果偏离整体分布超过一定倍数就剔除。对于网格模型，自相交是很难直接看出来的问题，很多渲染器会默默修复，但物理模拟和打印任务会因此失败。trimesh可以对网格做自相交检测，不过对于大型模型比较耗时，可以放在抽检环节。
朝向异常经常被忽略。不同建模软件导出的坐标系可能不同，有的模型导入后需要绕某个轴旋转，否则会倒置或侧翻。可以用主成分分析估计模型的主轴，再与标准朝向对齐，但PCA对对称物体不稳定，需要结合人工定义的先验，例如人体模型头朝上、车模前轴方向等。缩放异常则可以通过包围盒尺寸来发现，如果一个椅子的高度只有0.01米或者100米，明显不符合真实世界尺度，就应该标记为异常。下面给出一个检测点云离群点和网格自相交的简单示例：
import open3d as o3d
import trimesh
def remove_outliers(pcd_path):
pcd = o3d.io.read_point_cloud(pcd_path)
cl, ind = pcd.remove_statistical_outlier(nb_neighbors=20, std_ratio=2.0)
return pcd.select_by_index(ind)
def check_self_intersection(mesh_path):
mesh = trimesh.load(mesh_path, force="mesh")
if mesh.is_watertight:
return False
return True
对于材质和UV异常，可以检测纹理路径是否存在、UV坐标是否落在0到1范围之外、纹理分辨率是否合理。自动化管线很难判断所有语义错误，但这些硬性检查能拦住大部分明显异常。如果条件允许，可以训练一个基于渲染图像的自编码器，利用重建误差发现视觉上奇怪的模型，但这种方案需要一定标注数据。
清洗流水线设计和人工抽检
把前面的单点检查串起来，才能形成可复用的清洗流水线。推荐将流程拆成采集入库、格式转换、几何质检、重复检测、异常检测和人工抽检六个阶段。每个阶段只做一件事，输出带质量标签的中间文件，方便断点重跑。元数据表记录模型ID、来源、顶点数、面片数、是否水密、包围盒尺寸、体素签名、重复组ID以及异常类型，后续可以根据任务需要快速筛选。
并行处理在大规模清洗中非常关键。像体素签名、D2描述子计算这类任务可以分配到多进程，前提是每个模型独立。建议将原始数据放在对象存储或高速文件系统上，处理节点拉取后转成标准格式，计算完特征再把特征写回数据库，避免重复解析。人工抽检不必覆盖全部数据，可以按异常类型和质量分分层抽样，例如低分模型抽2%，重复组抽5%，异常类型各抽10%。抽检结果反馈到规则阈值上，形成闭环。
数据清洗不是一次性任务，新增数据持续进入时，需要增量运行重复检测，并对新数据做同样的质检。3D模型来源广、格式多，保持清洗规则和阈值可配置，能显著降低维护成本。最终目标不是把所有模型都清洗得完美无缺，而是让进入训练集的数据符合任务的最低质量要求和分布预期。