在三维图形学中，将三维网格模型展开为二维UV坐标的过程被称为网格参数化。这个过程的根本目标是在二维平面上为三维网格的每个顶点分配一个坐标，同时尽可能保持其原有的几何特征。然而，由于三维曲面通常具有复杂的曲率，强行将其压平到二维平面上必然会产生扭曲。这种扭曲在纹理映射时表现为纹理被不自然地拉长或挤压，即UV拉伸变形。为了量化并最小化这种变形，学者们提出了多种能量函数来度量三维空间与二维平面之间的几何差异，LSCM和ABF++算法便是其中最具代表性的两种优化方案。
UV拉伸变形的本质与参数化目标
要解决UV拉伸变形，首先需要理解其数学本质。三维网格表面由一系列三角形面片组成，当我们将这些三角形从三维空间映射到二维UV平面时，它们的形状和面积会发生改变。如果映射过程中角度发生了变化，就会导致纹理拉伸；如果面积发生了变化，就会导致纹理压缩或膨胀。理想的参数化应当是等距映射，即完全保持角度和面积不变，但这只适用于可展曲面（如圆柱、圆锥）。对于复杂的自由曲面，等距映射是不可能的，因此我们只能寻求近似最优解，即最小化某种形变能量。
参数化的核心目标是构建一个优化问题：寻找一组二维UV坐标，使得定义在网格上的形变能量函数达到最小值。常见的能量函数包括狄利克雷能量、调和能量以及保形能量。这些能量函数通常被构建为关于顶点UV坐标的二次或非线性多项式。通过求解这个优化问题，我们可以得到一组在最小二乘意义下最优的UV坐标，从而显著降低纹理拉伸。LSCM和ABF++算法正是基于不同的形变度量和优化策略来实现这一目标的。
LSCM算法：基于最小二乘保形映射的优化
LSCM（Least Squares Conformal Maps）算法是一种基于保形映射的参数化方法。保形映射的数学定义是：在映射过程中，任何一点的无穷小圆仍然映射为无穷小圆，这意味着映射只发生均匀缩放和旋转，不产生剪切变形。因此，保形映射能够完美地保持局部角度，是解决纹理拉伸的理想选择。然而，对于封闭或复杂的网格，严格的保形映射通常不存在。LSCM的核心思想是放宽严格条件，通过最小二乘法寻找一个尽可能接近保形映射的解。
在具体实现上，LSCM将保形条件转化为一个线性最小二乘问题。对于网格中的每个三角形，算法计算其在三维空间中的局部坐标系，并建立二维UV坐标与三维坐标之间的线性关系。通过构建一个大型稀疏矩阵，将保形误差表示为该矩阵与UV坐标向量的二次型。为了消除平移和旋转的自由度，LSCM通常需要固定网格边界上的至少两个顶点。随后，利用稀疏矩阵求解器（如Cholesky分解或共轭梯度法）高效求解这个大型线性方程组，得到全局最优的UV坐标。
// LSCM核心求解伪代码
void SolveLSCM(Mesh& mesh) {
// 构建稀疏矩阵和目标向量
SparseMatrix A = BuildConformalEnergyMatrix(mesh);
Vector b = BuildTargetVector(mesh);
// 固定两个顶点以消除平移和旋转自由度
PinVertex(mesh, 0, Vector2(0.0, 0.0));
PinVertex(mesh, 1, Vector2(1.0, 0.0));
// 求解最小二乘问题: min ||A * u - b||^2
// 等价于求解正规方程 A^T * A * u = A^T * b
SparseMatrix AtA = A.Transpose() * A;
Vector Atb = A.Transpose() * b;
Vector u = SolveSparseLinearSystem(AtA, Atb);
// 将求解结果写回网格顶点
UpdateMeshUVs(mesh, u);
}
LSCM算法的优点在于其数学模型简单，最终转化为线性方程组求解，计算速度较快，且能较好地保持局部角度特征。然而，它的缺点也同样明显：由于必须预先固定边界，且线性求解无法处理非线性的面积约束，LSCM在处理复杂模型时容易产生大面积的缩放不均，甚至出现UV三角形翻转重叠的问题。因此，LSCM更适合对速度要求高、对面积保持要求相对较低的快速展UV场景。
ABF++算法：基于角度基的高阶优化方案
ABF++（Angle-Based Flattening++）算法采用了与LSCM截然不同的思路。它不直接优化顶点的二维坐标，而是优化网格中每个三角形的角度。ABF++的核心思想是：在二维平面上重新分配每个三角形的角度，使得这些角度与三维空间中的原始角度尽可能接近，同时满足一系列几何约束条件。由于直接操作角度，ABF++能够极其精确地控制角度变形，从而从根本上消除纹理拉伸。
ABF++算法的优化模型包含多个严格的约束条件。首先是三角形内角和约束，即每个展开后的三角形内角和必须严格等于180度；其次是旋转一致性约束，即围绕同一个内部顶点的所有相邻三角形的角度之和必须等于360度；最后是边界有效性约束，确保边界不会自交。这些约束使得ABF++成为一个带约束的非线性优化问题。为了高效求解，ABF++引入了拉格朗日乘子法，并通过拟牛顿法等数值优化技术进行迭代求解。ABF++作为改进版本，通过引入更高效的线性系统求解策略，大幅提升了计算速度。
// ABF++非线性优化迭代伪代码
void SolveABFPlusPlus(Mesh& mesh) {
// 初始化二维角度，通常使用3D三角形的原始角度
Vector angles = InitializeAnglesFrom3D(mesh);
// 定义拉格朗日乘子
Vector lambda = InitializeLambda(mesh);
// 非线性迭代优化
for (int iter = 0; iter < MAX_ITERATIONS; ++iter) {
// 计算目标函数梯度与海森矩阵
SparseMatrix Hessian = ComputeHessian(angles, lambda);
Vector gradient = ComputeGradient(angles, lambda);
// 求解牛顿步长: Hessian * delta = -gradient
Vector delta = SolveSparseLinearSystem(Hessian, -gradient);
// 更新角度和乘子
angles += delta.segment(0, angles.size());
lambda += delta.segment(angles.size(), lambda.size());
// 检查收敛条件
if (gradient.Norm() < EPSILON) break;
}
// 根据优化后的角度重建二维顶点坐标
ReconstructVerticesFromAngles(mesh, angles);
}
ABF++算法的最大优势在于其极高的展开质量。由于直接最小化角度误差并严格满足拓扑约束，它生成的UV网格几乎不存在角度扭曲，且面积变形极小，无需用户手动固定边界。这使得ABF++成为影视级资产和高精度纹理烘焙的首选。然而，非线性优化的代价是计算复杂度高，耗时远超LSCM，且在处理极大规模网格时可能面临收敛困难的问题。
LSCM与ABF++的综合对比与工程实践选择
在具体的工程实践中，选择LSCM还是ABF++往往取决于应用场景对质量与效率的权衡。LSCM由于其线性特性，求解速度极快，非常适合集成到游戏引擎的实时展UV工具中，或者用于对低模进行快速自动展开。而ABF++则凭借其卓越的保形和保面积能力，更适合作为离线展UV工具的核心算法，用于处理高精度角色面片或复杂的工业模型。
现代三维软件通常不会孤立地使用某一种算法，而是采用混合策略。例如，在Blender的展UV插件中，通常会先使用基于LSCM的快速算法进行初始展开，随后允许用户通过固定顶点（Pinning）来引导LSCM的局部优化方向。而在诸如ZBrush的UV Master等高级工具中，则融入了类似ABF++的非线性优化思想，通过复杂的内部算法自动识别并最小化面积和角度扭曲，实现一键式的高质量展开。
总结而言，解决UV拉伸变形没有银弹。LSCM以其高效的线性求解提供了快速可用的结果，而ABF++则通过非线性角度优化逼近了展开质量的极限。理解这两种算法的数学原理与适用边界，能够帮助开发者在构建自己的几何处理管线时，做出最合理的技术选型，从而在效率与质量之间找到最佳平衡点。