网格压缩：3D模型怎么变小变快

可视化演示

展示边坍缩操作流程、二次误差度量QEM边选择策略、以及LOD多级细节自动生成的完整网格简化过程。

网格压缩概述

搬家这天，师傅一脸为难：卡车就那么大，可屋里光是椅子就有八把、书有三箱。你想了想，决定做两件事：一是把相似的物件合并装箱，减少“件数”；二是在纸箱上只写编号，省得每次搬抬都读一长串物品名。3D模型的世界里，这个“卡车”就是显存和带宽。

一个3D模型由顶点和三角形面组成。一个手游场景动辄几百万个三角形，每个顶点又要记录坐标、法线、颜色等多份属性，数据量瞬间爆炸。所谓网格压缩，就是两条路：一是“几何简化”，通过算法减少三角形数量——相当于把零碎物件合并；二是“数据压缩”，用更紧凑的格式存储顶点信息——相当于写更精简的装箱单。两者常常配合使用，先在几何上瘦身，再在存储上压一压。

要估算一个模型占多大空间，可以用一个简单的公式：

从公式可以看出，压缩的三个发力点刚好对应着三处乘数：减少顶点数（边坍缩）、削减属性（简化数据）、缩小字节数（量化编码）。这也是后面各节的路线图。回到搬家现场：你要做的不只是把物件“塞进去”，而是让每件东西都物尽其用——3D模型压缩的智慧，正在于用最小的数据承载最多的视觉信息。

边坍缩算法

搬家公司给了你一个建议：两把藤编椅，远看造型几乎一样，为什么不捆成一件？你果断照办。网格简化里的“边坍缩”，就是这个动作——把两个靠得很近、几乎不增加视觉信息的顶点，合并成一个新顶点，于是它们之间的那条边消失了，周围的三角形也随之减少。

为什么会减少三角形？请看：一条边连接着两个顶点，这条边通常被两个三角形共享。把两个顶点合并成一个之后，共享这条边的两个三角形各损失一个顶点，塌成一条线，只好被移除；与此同时，这两个三角形的四条外边界两两接合，重新闭合出两个“瘦身成功”的三角形。一次坍缩，三角形数量净减2。如果反复执行，网格就一圈圈地瘦下来。

那么，该坍缩哪条边？最简单的策略是“贪心”：每次都挑最短的那条边——它在视觉上最不明显，合并后最不易察觉。这个过程可以写成：

现实中的网格简化不会只靠“最短边”这个单一指标，而是要综合考虑“合并后会带来多大视觉变形”。这正是下一节二次误差度量要解决的问题。回到搬家现场，你现在学会了第一步：把相似的物件归拢到一起——但怎么判断“哪些物件合并了不心疼”？得先学会量一量合并的代价。

二次误差度量

合并两件家具前，你心里得盘算：这两件东西拼一起，会不会互相挤压、把表面磕坏？搬家公司有一种评估法——每件物件都标记一个“损伤系数”，合并后如果系数很小，说明几乎无伤大雅；如果系数很大，就得换个对象合并。QEM（二次误差度量）就是网格简化界的“损伤系数”。

为了定义这个“损伤”，我们先看单个顶点。一个顶点被多个三角形共用，每个三角形都处在一个平面上。顶点一旦移动，它到每个关联平面的距离就会变化——距离的平方和就是“移动的代价”。用线性代数的语言，每个平面可以用一个4维向量 \(p = [a, b, c, d]^{\top}\) 表示（平面方程 \(ax+by+cz+d=0\)），点到平面的带符号距离等于 \(p^{\top} [x, y, z, 1]^{\top}\)。距离平方累加后，优雅地化简成了一个二次型：

得到 \(Q_v\) 之后，误差计算从“求和”变成了一个矩阵乘法：\(\Delta(v) = \tilde{v}^{\top} Q_v \tilde{v}\)。坍缩一条边时，新顶点的Q就是两个端点Q之和。更有意思的是，如果我们希望新顶点的误差最小，可以解一个线性方程组：

工程实现时，通常把每条边的坍缩代价预先算好放进优先队列（最小堆），每次弹出代价最小的边进行坍缩，再更新受影响的邻居顶点代价。回到搬家比喻：QEM就像你手里的“风险评估表”，你不再凭感觉“看哪两件离得近”，而是精确地知道合并哪一对“损伤最小”——于是每搬一件，心里都有底。

顶点数据编码

行李终于打好了包，接下来是写装箱单。你不必在箱子上写“直径三十厘米的圆形玻璃茶几”，只需写“T3”——一个编号省下十几个字。顶点数据压缩的思路同出一辙：浮点坐标太“啰嗦”，我们要用更紧凑的方式记录它们。

第一个手段是“量化”。一个32位浮点数用4个字节，可以表达极大的动态范围，但对大多数模型而言，几何坐标的范围并不大。我们可以把整个模型的包围盒内坐标映射到一个整数网格上：先找到所有坐标的最小值和最大值，然后把每个坐标值映射到 \(2^n\) 个整数格子之一。比如用16位，坐标从“任意小数”变成“0到65535的整数”，存起来直接省一半空间：

第二个手段是“增量编码”。仔细观察顶点序列会发现：相邻顶点的坐标数值往往差得很小。如果只存储“与前一个顶点的差值”，差值通常远小于原始数值，需要的位数就少得多。这种利用空间局部性消除数值冗余的手法，正是增量编码：

再往后还有熵编码（对出现频率高的差值用短码，低频用长码，如Huffman编码）和索引优化（把三角形顶点索引按邻接关系重排提高缓存命中率）。这些手段叠加后，顶点数据常常能再压掉一半以上。回到装箱单：编号、差值、短码——每一条都在用更少的笔墨记录同样多的信息，让模型在磁盘和网络里“跑得更快”。

LOD多级细节

行李打包好了，但你突然意识到：搬家卡车不是一夜之间开到的，它从远处驶来时，你其实只会看见一个轮廓。网格世界也是同理：远处的山、大街上的人群，真的需要动辄几十万个三角形吗？LOD（Level of Detail，多级细节）技术的回答是：不需要。

LOD的思路是：为同一个模型准备多个“精细度”版本——高模（细节最丰富）、中模、低模。摄像机离得远，就显示低模；离得近，才换高模。渲染引擎每帧只需考虑“当前应该用哪一级”，相当于搬家时先送必需行李，远处运输只载轮廓。关键在于切换时机：切换点设得太近，用户会看到“跳变”；设得太远，低模的粗糙又会被察觉。经典做法是用误差阈值来推算切换距离：

更进阶的“连续LOD”甚至不准备离散的几个版本，而是利用前文的边坍缩序列，按需生成任意精度的网格——用多少三角形，现场“解包”即可。这就像搬家时按需打开箱子：远看先打开“轮廓箱”，走近再打开“细节箱”。LOD与边坍缩一脉相承：没有高效的简化算法，就没有高、中、低模的快速生产。

质量评估与落地

搬完家，师傅让你验收：会不会有柜角磕坏了、桌面刮花了？网格压缩也一样，简化算法跑完，必须回答一个问题：简化后的模型，跟原来比“差了多少”？这时需要一把“尺子”。

最常用的尺子是Hausdorff距离。它衡量两个点集之间的最大偏差：对原始模型上每个点，找到它在简化模型上最近的点，量出距离；反过来再做一次，取双向的最大值。这个最大值就是两个网格之间的“最坏形变”——就像量出那个磕得最深的柜角：

除了距离误差，还有两件事要盯住：一是“拓扑保持”——模型上的孔洞、把手、连通关系不能被简化抹平，否则一个杯子会变成一块饼；二是“视觉保真”——最简单粗暴的验收方法是把两个模型并排渲染，肉眼对比或用屏幕截图算PSNR。工程实践中，业界常用MeshLab、OpenMesh或自研工具链，把边坍缩+QEM跑成离线流水线，一键产出多级LOD。回到搬家现场：验收合格，师傅才敢把家具送到新家；同样，误差达标，模型才敢进游戏。这，就是网格压缩从算法到落地的最后一公里。

AI 应用场景

Python 演示

import numpy as np  def make_sphere(rings=4, segs=8):    verts, faces = [], []    for r in range(rings + 1):        phi = np.pi * r / rings        for s in range(segs + 1):            th = 2 * np.pi * s / segs            verts.append((np.sin(phi) * np.cos(th),                          np.cos(phi),                          np.sin(phi) * np.sin(th)))    for r in range(rings):        for s in range(segs):            a = r * (segs + 1) + s            faces += [(a, a + 1, a + segs + 1),                      (a + 1, a + segs + 2, a + segs + 1)]    return verts, faces  def build_quadrics(verts, faces):    Q = [np.zeros((4, 4)) for _ in verts]    for f in faces:        p0, p1, p2 = (np.array(verts[i]) for i in f)        n = np.cross(p1 - p0, p2 - p0)        n /= np.linalg.norm(n) + 1e-12        p = np.array([n[0], n[1], n[2], -n @ p0])        for i in f:            Q[i] += np.outer(p, p)    return Q  def collapse_info(verts, Q, a, b):    Qn = Q[a] + Q[b]    A, c = Qn[:3, :3], Qn[:3, 3]    try:        pos = np.linalg.solve(A + 1e-9 * np.eye(3), -c)    except np.linalg.LinAlgError:        pos = (np.array(verts[a]) + np.array(verts[b])) / 2    cost = pos @ A @ pos + 2 * c @ pos + Qn[3, 3]    return cost, pos  def simplify(verts, faces, ratio=0.5):    verts = [np.array(v, float) for v in verts]    faces = [list(f) for f in faces]    Q = build_quadrics(verts, faces)    target = max(int(len(faces) * ratio), 1)    while len(faces) > target:        best = None        for f in faces:            for k in range(3):                a, b = f[k], f[(k + 1) % 3]                cost, pos = collapse_info(verts, Q, a, b)                if best is None or cost < best[0]:                    best = (cost, a, b, pos)        _, a, b, pos = best        verts[a] = pos        Q[a] += Q[b]        nf = []        for f in faces:            t = [a if x == b else x for x in f]            t = [x - 1 if x > b else x for x in t]            if len(set(t)) == 3:                nf.append(t)        faces = nf        del verts[b], Q[b]    return verts, faces  def avg_error(ov, sv, sf):    sv = [np.array(v) for v in sv]    total = 0.0    for v in ov:        p = np.array(v)        best = 1e9        for f in sf:            p0, p1, p2 = (sv[i] for i in f)            n = np.cross(p1 - p0, p2 - p0)            n /= np.linalg.norm(n) + 1e-12            best = min(best, abs((p - p0) @ n))        total += best    return total / len(ov)  def main():    v, f = make_sphere()    print("原始网格: %d 顶点, %d 三角形" % (len(v), len(f)))    sv, sf = simplify(v, f, 0.5)    print("简化后: %d 顶点, %d 三角形" % (len(sv), len(sf)))    print("平均几何误差: %.4f" % avg_error(v, sv, sf))  if __name__ == "__main__":    main()

1. def build_quadrics(verts, faces):为每个顶点累计关联平面的外积，得到Q矩阵，对应文中的 \(Q_v = \sum p p^{\top}\)。
2. pos = np.linalg.solve(A + 1e-9 * np.eye(3), -c)解线性方程组求最优新顶点位置，对应 \(v^{*} = Q^{-1}[0,0,0,1]^{\top}\)。
3. cost = pos @ A @ pos + 2 * c @ pos + Qn[3, 3]用二次型计算这条边坍缩的代价，作为贪心选择的依据。
4. while len(faces) > target:迭代式地反复坍缩代价最小的边，直到达到目标三角形数。
5. del verts[b], Q[b]删除被合并的顶点，并用索引平移修正所有面的引用，完成一次真正的坍缩。
6. avg_error采样原顶点到简化网格的平面距离，用简单的误差指标量化“简化伤了多少”，呼应质量评估小节。

常见误区

面试题