💻 computer science

PrintAnything: Learning an Intermediate Representation for 3D printing G-code Generation

PrintAnything 是一个创新的框架，它通过引入一种逐层投影策略和统一的几何规划（G-plan）图谱，实现了从无结构点云直接生成 3D 打印 G-code，从而消除了对易出错的网格重建的需求。

原作者： Sangmin Hong, Daniel Sungho Jung, Heewon Kim, Kyoung Mu Lee

发布于 2026-07-31

📖 1 分钟阅读☕ 轻松阅读

原作者： Sangmin Hong, Daniel Sungho Jung, Heewon Kim, Kyoung Mu Lee

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你拥有一台神奇的相机，它能捕捉世界上任何物体的形状，但它捕捉到的不是一个实心的块体，而是一团由数十亿个微小的、漂浮着的尘埃颗粒组成的云团。在3D科学领域，这被称为点云（point cloud）。它是激光扫描仪或特殊相机输出的原始且杂乱的数据，向你展示了每一个表面点点的精确位置。现在，想象你想把那个数字云团变成一个真实的物理实体，通过一台3D打印机来实现。问题在于，3D打印机就像是非常死板的厨师；它们不知道如何用“尘埃颗粒”来烹饪。它们只知道如何处理平滑、坚固且水密的“网格（mesh）”——你可以把它想象成一层完全包裹住形状的数字气球皮。

长期以来，如果你想打印一个点云，你必须雇佣一位数字雕塑家（一种计算机算法）将那层气球皮拉伸并覆盖在你的尘埃颗粒之上。但这非常冒险。如果雕塑家在气球皮上留下了一个微小的洞或者一个奇怪的褶皱，打印机会感到困惑，导致物体损坏，或者打印失败。这就像是试图用一份缺失了页码的食谱来烤蛋糕；结果会是一场灾难。科学家们一直在问一个大问题：我们能否教会打印机直接理解原始的尘埃颗粒，从而跳过这个风险极高的“拉伸气球皮”的步骤？

于是，PrintAnything 出现了，这是一个全新的框架，它回答道：“是的，我们可以！”PrintAnything 不再强迫杂乱的点云先变成一个完美的网格，而是学会了直接观察这些漂浮的点，并立即计算出如何逐层进行打印。它就像一个超级聪明的翻译官，精通两种语言：一种是“漂浮的点”的语言，另一种是“打印指令”的语言。

它是如何工作的呢？我们可以用一个简单的类比来理解。想象你正在建造一座沙堡，但你不是一次性观察整个城堡，而是像切面包片一样，一次只看一个水平切面。PrintAnything 将3D点云投影到这些2D切面上。但它不仅仅看到“有沙子”或“没沙子”，它还为每个切面创建了一张特殊的地图，称为 G-plan 图。你可以把这张图想象成一张包含三个层级的打印指令单：

占用图（Occupancy Map）： 这是“在哪里？”的图层。它告诉打印机在这一层切面上，哪些位置需要沙子（材料），哪些地方是空旷的空气。
区域图（Region Map）： 这是“是什么？”的图层。它区分了城堡的外壁（需要坚固且平滑）和内部填充物（可以使用某种图案）。
流向图（Flow Map）： 这是“有多少？”的图层。它告诉打印机在移动时应该以多快的速度挤出沙子（或塑料），以确保线条既足够厚实以保持连接，又不会因为太厚而融化在一起。

通过直接从原始点云创建这些地图，PrintAnything 完全跳过了“气球皮”这一步。接着，它使用一个智能助手来决定填充物体内部的最佳图案，在强度与塑料使用量之间取得平衡。最后，它将这些地图转化为 G-code，即打印机喷头必须执行的实际动作列表。

研究人员在一个大规模的3D形状数据集上测试了该方法，发现他们的方案表现得非常出色。当他们将这种方法与传统的“先将点转化为网格”的方法进行比较时，传统方法经常出错，例如抹平了细微的细节，或者产生了导致打印失败的孔洞。相比之下，PrintAnything 生成的形状与原始设计更为接近，其“倒角距离（Chamfer Distance）”（衡量形状与目标接近程度的指标）仅为 0.047，而次优方法的数值为 0.088。

更令人印象深刻的是，该系统非常强韧。研究人员使用“残缺”的点云（比如被吹走了一块尘埃的云团）或“嘈杂”的点云（点的位置被随机抖动了一下）对它进行了测试。即使存在这些缺陷，PrintAnything 也能设法推断出缺失的部分，并打印出一个完整且稳定的物体。他们甚至将计算机生成的指令应用在了一台真实的机器上——一台 Bambu Lab X1-Carbon。最终生成的物体（包括复杂的齿轮和精细的结构）不仅结构稳固，而且外观精美，这证明了你可以直接从杂乱的点云构建出坚固、实用的物体，而无需在中间阶段构建一个完美的网格。

技术摘要：PrintAnything

问题陈述

点云是 3D 表示法的一种基础且广泛使用的形式，作为现代传感器（LiDAR、RGB-D 相机）和生成模型的原生输出。然而，现有的 3D 打印流水线与点云在本质上是不兼容的。标准的制造工作流要求输入水密网格（watertight mesh），以便切片软件生成 G 代码。因此，点云在打印前必须经过网格重建过程。

这种对网格重建的依赖引入了两个关键限制：

不兼容性： 标准切片工具无法直接接受原始点云。
误差传播： 从稀疏、多噪或无方向的点云中重建网格是一个病态问题。这经常导致几何伪影（错误的平面、空洞、拓扑不一致性），这些缺陷难以修复。这些缺陷会传播到切片阶段，导致无效的工具路径、挤出不稳定，并最终导致打印失败。

方法论

作者提出了 PrintAnything，这是一个创新的框架，旨在学习直接从无方向的 3D 点云生成可执行的 3D 打印 G 代码，从而完全绕过了网格重建步骤。该流水线由三个主要阶段组成：

1. 切片点投影 (Slice-wise Point Projection)

为了将非结构化 3D 点云与熔融沉积建模（FDM）的逐层特性对齐，作者引入了切片点投影策略。

多切片调节 (Multi-Slice Conditioning, MSC)： 对于给定的切片高度，点被投影到打印机的 XY 网格上。为了提供局部几何上下文，系统会选择目标切片高度 ( $\Delta z/2$ ) 以及上方和下方相邻 bin 内的点。
输入表示： 这些投影点被栅格化为 2D 网格 ( $H \times W$ )，生成占用掩码（occupancy masks）、密度图（density maps）和高度偏移图（height-offset maps）等通道。
调节 (Conditioning)： 归一化的切片高度通过一个 MLP 进行嵌入，并与使用 Point Transformer V3 编码器从整个点云中提取的全局特征进行拼接，从而形成切片调节向量。

2. 几何计划 (G-plan) 图预测

模型不是预测网格，而是为每个切片预测一种紧凑且统一的 2D 表示，称为 G-plan 图。该图通过编码三个不同的通道来弥合点云与 G 代码之间的差距：

占用图 ( $M$ )： 指定对应于打印材料的空间位置。
区域图 ( $R$ )： 编码用于工具路径合成所需的结构类别（例如：壁面、填充、支撑、裙边）。
流量图 ( $Q$ )： 代表与挤出相关的属性（归一化挤出长度）以进行材料沉积。

预测由 GPNet 完成，这是一种 U-Net 架构，其中调节向量通过 FiLM（特征线性调制）注入到瓶颈层（bottleneck）中。

3. 填充模式生成与 G 代码合成

填充推荐： 系统并非从头开始学习填充几何结构，而是使用一个基于引导数据集训练的轻量级推荐器。该推荐器通过优化强度代理（填充率、连通性、方向平衡）与成本代理（材料使用量、路径复杂度）之间的权衡，来选择填充模式（如网格、陀螺仪、蜂窝状）和缩放因子。
G 代码编译： 预测的 G-plan 图被转换为有序的工具路径。占用图定义了打印区域，区域图决定了结构角色（壁面 vs 填充），而流量图控制挤出体积。这些信息被转化为物理坐标和挤出长度，从而产生标准的 G 代码指令。

核心贡献

无网格流水线： 引入了 PrintAnything，这是第一个无需中间网格重建即可直接从点云生成可执行 3D 打印 G 代码的框架。
切片点投影： 一种将非结构化 3D 点转换为切片对齐的 2D 表示的策略，该策略能够保留用于逐层推理的局部几何上下文。
G-plan 图： 一种统一的表示法（占用、区域、流量），编码了几何和挤出属性，有效地连接了点云与 G 代码。
鲁棒性： 该方法展示了处理无方向、不完整和多噪点云的能力，能够在基于网格的方法失效时产生稳定的工具路径。

实验结果

该方法在 Slice-100K 数据集上进行了评估，并与最先进的网格重建基准（Poisson、DWG、MeshAnything）以及随后的标准切片进行了对比。

定量性能： PrintAnything 在所有指标上均表现出优越的性能：
- 倒角距离 (Chamfer Distance, CD)： 0.047（相比之下，Poisson 为 0.088）。
- 3D F1 分数： 0.7414（相比之下，Poisson 为 0.682）。
- 2D 切片 F1 分数： 0.677（相比之下，Poisson 为 0.587）。
- 结果表明，基于网格的流水线会在重建过程中累积误差，并在切片期间放大这些误差，而直接的 G-plan 方法保持了更高的保真度。
消融研究：
- 多切片调节 (MSC)： 启用 MSC 使 CD 降低了 20.3%，并将 3D F1 提高了 5.6%，证实了层间连续性的价值。
  � * G-plan 组件： 引入区域图 ( $R$ ) 提高了几何保真度，而流量图 ( $Q$ ) 则显著降低了挤出平滑度误差（ $\Delta\rho$ -smooth 降低了 56.8%）和变异性。
- 填充推荐器： 学习到的推荐器比随机或固定缩放的基准实现了更好的综合强度-成本得分（0.937）。
现实世界验证： 生成的 G 代码已在 Bambu Lab X1-Carbon 打印机上成功打印。物理打印件展示了良好的结构完整性，成功制造了机械零件（齿轮）和精细结构，证实了该流水线的实际可行性。

意义

论文声称 PrintAnything 解决了 3D 感知与 3D 制造集成中的关键瓶颈。通过消除对易出错的网格重建的依赖，该框架实现了一个实用的、完全无网格的流水线。这使得拥有 3D 扫描数据（通常为点云格式）的用户可以直接获得可用于制造的工具路径，克服了当前工作流在处理无方向和多噪输入时的局限性。这项工作证明了基于学习的方法可以有效地直接从原始几何数据合成复杂的制造指令（G 代码）。