AI在产品浮雕制作中的应用

摘要：针对传统产品设计中浮雕制作流程存在的贴图转化效率低、跨阶段衔接不连贯等痛点，本文探讨了AI技术在优化贴图生成与网格模型构建环节的应用路径。研究表明，通过文生图（Text-to-Image）、图生图（Image-to-Image）及图像增强等AI模型，可实现多源浮雕图案的高效转化，提升贴图质量与批量处理能力，降低对设计师技能的依赖，从而缩短产品研发周期。然而，当前AI在网格模型向实体模型的逆向转化环节仍存在技术瓶颈。未来，随着多模态AI模型的深度融合与工程化落地，有望构建全流程智能化浮雕制作体系，推动产品设计向高效化、灵活化演进。

关键词： AI、贴图技术；产品设计；计算机图形学；结构工程；浮雕。

随着市场需求的个性化升级和产品研发周期的缩短，传统产品设计流程中贴图制作效率低、需多种建模方式切换使用等问题逐渐凸显。计算机图形学与人工智能技术的融合，为解决上述痛点提供了新路径。本文基于产品设计中贴图技术与建模方式的应用现状，探讨AI在优化贴图生成、多建模方式协同等环节的具体应用，为提升产品设计效率与适应性提供理论参考。

1 浮雕制作的工作流程

浮雕制作是产品设计制造常用的纹理图案表现形式，兼具视觉美感与触摸质感。随个性化需求升级，复杂浮雕应用增多，而产品研发周期缩短，对其制作效率要求更高。​

工业制造中现行通用复杂浮雕制作流程以手工为主，分两种路径：一是传统方式，先雕塑造型或浮雕，再扫描生成数字模型，经软件逆向重构为工业设计所需模型，与产品合成完成设计；二是贴图技术，通过网格建模结合贴图制作浮雕模型，同样需软件逆向重构后与产品合成出图纸。传统方式对设计人员要求高、效率低；网格建模结合贴图技术对人员要求低，适合大规模推广，在产品设计各阶段均有运用。

2 制作过程中的痛点

2.1 浮雕在产品设计不同阶段的转化

产品的诞生，包含调研分析、概念设计、工程设计、试验验证、最终量产等几个阶段。

浮雕通常诞生于产品的概念设计阶段，为了呈现产品的文化内涵，增强产品质感与触感体验的同时在部分场景中，还具备功能性，实现形式和功能的统一。

产品的概念设计阶段，需要对产品模型进行渲染模拟出产品的真实效果。将产品的最终效果呈现给客户。在此阶段，复杂浮雕的主要呈现是通过贴图来完成的，通过固有色、法线、置换等等贴图，结合材质参数等，通过渲染软件完成渲染。采用贴图的方式，在产品前期能相对快速的将产品的效果呈现给客户，也便于方案的修改。相对高效的满足客户需求。产品进入工程设计阶段，工程师需要将产品从概念转化为能实现功能以及生产制作的产品。在此阶段，需要将贴图渲染的效果，转化为实体的模型和图纸，用于产品的生产。复杂浮雕的转化，需要依据贴图通过网格模型和贴图结合的方式实现实体化，并将模型逆向转化为工业软件需要的模型格式，从而实现贴图到产品图纸的转化。

2.2 浮雕制作转化过程的痛点

浮雕的制作，从贴图阶段模型转化为工程实体模型的过程中，由于不同阶段使用的软件和对模型的要求均不同，造成整个过程的不连贯性。虽然通过贴图技术、数字软件的运用，相对于传统的方式，效率有了较大的提高。但是还是无法满足日益缩短的开发周期的要求。

浮雕在不同阶段，即使采用相同的制作方式，但是由于阶段的不同，对要素的要求也不同。目前浮雕的制作，从概念阶段的渲染效果到工程阶段的浮雕实体化均采用模型加贴图技术制作的方式。而贯穿整个制作流程的纽带，是贴图中记录深度信息的凹凸或置换贴图，会存在下列的问题：

（1）贴图的来源形式不同，在实际的工作中，用作产品制作的图案来源很多，有的是客户提供或自己绘制的线稿、有的是传统石雕的图片、传统纹样的图片等。不同来源的浮雕文件，需要通过手工将浮雕文稿转化为可用的贴图。在运用软件工具按需要进行贴图的转化过程中，往往依赖设计师个人的能力，且对于复杂浮雕的转化，需要的时间会很长。

（2）在概念阶段对贴图的质量要求不高，只需表现效果即可，而到工程阶段的浮雕实体化时，则需要贴图做到细节效果准确，灰度过度自然。对贴图要求的不同，造成衔接不连贯，且手工制作符合要求的贴图的时间比较长，影响产品的制作效率。

（3）在浮雕的实体化转化过程中，有一个关键的步骤，需要将网格模型逆向转化为实体模型，需要设计师运用转化软件进行转化，而目前软件对复杂花纹的转化效果不佳，需要设计师不断地调整浮雕文件，以达到最佳的转化效果，但是对于过于复杂或精细的浮雕，转化能力还不足。

3 AI的应用及对过程的优化

随着AI的发展，AI的核心能力已从单一识别转向推理与多模态融合，涵盖识别（语音/图像）、生成（视频/文本）、预测（销量/库存）等领域，有越来越多的大模型不断完善，为各个领域提供更高效的工具。现有AI在图像的生成方面越来越成熟，能满足大多数浮雕制作的需要。但是在逆向工程方面的运用还未有成效。故本文主要通过对AI的运用，来优化浮雕制作贴图生成和网格模型构建。从而提高浮雕制作的质量和效率。

3.1 运用AI解决贴图转化的痛点

图像生成式模型的核心算法经历了多代演进，目前主流技术以扩散模型（Diffusion Models）为代表。同时结合了Transformer架构和生成对抗网络（GANs） 的部分优势。目前基于算法的图像生成的模型，已经能满足大部分浮雕制作的需求了。设计师可以采用WEBUI和COMFYUI等去驱动大模型，得到想要的结果。

（1）由于客户对浮雕效果的输入存在多种方式，可能是文字描述、也可能是线稿和图片，需要设计师根据输入去完成效果的制作。人工转化制作时间较长，而引入AI后，设计师可以通过UI驱动大模型文生图（Text-to-Image）或图生图的方式（Image-to-Image），对客户输入的信息通过AI转化为相应的贴图，就浮雕流程所需贴图，通常采用深度相关的大模型。实现的路径，一种是可以运用LORA模型通过定向训练，完成线稿到写实图像（最好是2.5D图像）生成，再基于生成的图像，生成对应的带深度信息的贴图（置换贴图等）。另一个路径，通过大模型完成基础图形的生成（最好是2.5D图像），采用算法更专业的大模型生成深度贴图，比如Depth Anything模型。

（2）贴图质量，不管是客户提供的贴图还是AI生成的贴图，均会存在贴图质量不高，对生成模型的质量影响较大。可以通过AI的图像增强大模型，对图像进行分辨率增强，图像修复等，增加贴图的质量，从而提高浮雕模型的质量。目前通过AI生成的贴图，已经基本能满足大多数浮雕贴图制作的需求，且可以通过COMFYUI，将文生图、图生图、图像增强等相关模型构建成高质量贴图生成的工作流。便能高效的完成批量的贴图处理，大大提高出图效率，从而加速浮雕的制作。

3.2挑战与展望

目前AI在图像生成上，已经越来越成熟，能极大的满足部分领域的工作需求，随着算力、算法等的不断发展，会为各个领域提供更便捷，更高效的AI工具，从而改变相关领域的工作方式，提高大家的效率。但是就浮雕制作的过程中，还是有不少的挑战，在目前的模型生成中，还没有网格模型转曲面模型或实体模型的AI运用。

4 结语

本文针对传统产品设计中浮雕制作流程的低效性与转化痛点，探讨了AI技术在优化贴图生成与网格模型构建环节的应用路径。通过文生图、图生图及图像增强等AI模型，可有效提升复杂浮雕贴图的生成效率与质量，降低对设计人员技能的依赖，并支持批量处理需求，为缩短产品研发周期提供了可行方案。然而，当前AI在浮雕制作中的应用仍存在局限，尤其在网格模型向实体模型的逆向转化环节尚未实现突破性进展。未来，随着多模态AI模型的深度融合与工程化落地，有望构建从概念设计到工程制造的全流程智能化浮雕制作体系，推动产品设计向更高效、更灵活的方向演进。

参考文献：

[1]陈俊璋.不同建模方式在产品设计中的应用.产品设计，2023第2月刊.（ISSN1672-9137）（CN11-5291/TS）

[2]陈俊璋. 面向产品设计的贴图技术应用.科学新生活，2024第11期.（CN11-4682/Z）

[3]刘然慧，袁建军，等.3D打印：Geomagic Wrap逆向建模设计实用教程[M].北京：化学工业出版社，2017.

[4] 刘然慧，刘纪敏，等.3D打印：Geomagic Design X逆向建模设计实用教程[M].北京：化学工业出版社，2017.

[5] 陈雪芳，孙春华 . 逆向工程与快速成型技术应用 [M]. 北京：机械工业出版社，2015.

[6] 杨雪果 . 3ds Max高级程序贴图的艺术 [M]. 北京：中国铁道出版社，2010.

[7] 朱江 . 中文版3ds Max 2014技术大全 [M]. 北京：人民邮电出版社，2014.

[8] 刘永进. 中国计算机图形学研究进展[J]. 科技导报， 2016， 34（14）： 76-85. [link] [PDF， 5.1M]