FUSE: A Flow-based Mapping Between Shapes¶

会议: ECCV 2026
论文: ECCV 原文
代码: https://github.com/LorenzoOlearo/FUSE-Flow-based-Mapping-Between-Shapes
领域: 3D视觉
关键词: 形状匹配, 流匹配, 神经表示, 测地特征嵌入, 可逆流

一句话总结¶

把每个形状表示成一条从共享单位高斯锚点出发的可逆连续流（用流匹配训练），源形状的逆流与目标形状的正流一复合就得到两形状之间的点映射——既不训练配对模型也不做测试时优化，还能在网格、点云、SDF 与四面体网格之间跨表示匹配，在 FAUST/SMAL 等地标监督基准上达到最低或接近最低的对应误差。

研究背景与动机¶

形状匹配被公认为几何处理里的"关键问题"：一旦拿到准确对应，姿态迁移、形状插值这类下游任务就有了现成解法。长期以来的主流做法建立在三角网格表示上，其中函数映射框架（Functional Maps）把对应表示成两个函数空间之间的线性算子，平滑、对形变不敏感，却也因此依赖谱基——谱基只在网格上天然可得，且这类方法很难保证得到双射。另一条路是最优传输（OT），把对应写成把特征分布从一个形状搬到另一个形状的运输方案，但在采样不均衡或特征歧义时会出现质量分裂（mass splitting）：单个点的概率质量被摊到多个目标点上，恢复离散对应时锐度和稳定性都会下降。配准类方法则直接优化 3D 形变场，精度好，代价是要解重的优化问题，并且依赖刚体初始化或学到的先验。与此同时，神经表示（NeRF、DeepSDF、Geometry Distributions 等）让 3D 几何的编码方式迅速多样化，却不像网格那样自带一整套分析与操控工具。

真正的矛盾在于：几何表示越来越多样，而几乎所有匹配管线都把自己的先验焊死在某一种表示上。Diff3F 要先渲染网格再借视觉大模型提语义特征，ULRSSM 要大规模训练数据才能学出谱特征，函数映射类要谱基。于是"在两个不同表示之间建立对应"要么需要重训一个模型，要么只能退回 3D 坐标这种到处能算、却既不编码语义也不编码几何的通用嵌入。本文想要的是一种既通用又不牺牲精度的映射表示：它对形状只提两个要求——能从表面采样点、能为每个点算一个逐点嵌入——而不用管这个形状是网格、点云、SDF 还是体网格，也不需要任何成对优化。

核心 idea：让每个形状各自学一条从共享高斯锚点到自身嵌入分布的可逆流，两个形状的流通过同一个高斯"接驳"，源形状的逆流复合目标形状的正流就得到映射——配对所需的唯一共享信息是少量地标，不需要配对训练，也不需要测试时优化。

方法详解¶

整体框架¶

输入是两个共享语义的 3D 形状 \(S_1\)、\(S_2\)（表示任意，只要能采样表面点）以及少量地标。整条流程分四步：先在两个形状表面采样点，为每个点计算一个逐点嵌入（默认是到地标的测地距离特征）；然后每个形状独立训练一个流模型，把固定的共享高斯锚点 \(p_0 = \mathcal{N}(0,1)^d\) 输运到该形状的嵌入分布 \(p_\ell\)；接着把"源到目标的映射"定义为两个流的复合——先用源形状的逆流把 \(S_1\) 的嵌入点送回高斯，再用目标形状的正流把它们前推到 \(S_2\)，得到的是一条连续映射，落点已经在目标的嵌入空间里；最后在嵌入空间做一次最近邻检索，把连续映射离散成点对点对应。整个过程没有任何配对训练、没有测试时微调，两个形状之间唯一共享的信息就是那几组地标。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["形状 S1 / S2<br/>网格·点云·SDF·体网格"] --> B["测地特征嵌入与地标先验<br/>表面采样 → 逐点测地特征"]
    B --> C["逐形状可逆流与共享高斯锚点<br/>嵌入分布 ↔ N(0, I)"]
    C --> D["流复合即映射<br/>Φ = ψ2 ∘ (ψ1)⁻¹"]
    D --> E["嵌入空间最近邻<br/>点对点对应 T12"]
    E --> F["下游应用<br/>UV 参数化·人体扫描拟合·体匹配"]

关键设计¶

1. 测地特征嵌入与地标先验：用最小的先验换来跨表示的通用嵌入

每一条形状匹配管线都必须靠某种先验来消解根本歧义，其中最典型的是内蕴对称——纯几何信息无法区分"左手"和"右手"。已有方法把这个先验放在不同的地方：函数映射类靠谱签名，Diff3F 靠渲染视图 + 预训练视觉大模型，ULRSSM 靠在大规模形状集合上训练出来的特征提取器。这些选择各自引入表示相关的依赖（谱基、渲染管线、训练数据），正好限制了它们的适用范围。而 3D 坐标虽然人人都能算，却既不含内蕴几何也不含语义，用它做嵌入时 KNN 与 FUSE 的误差都很高（FAUST 上分别是 0.1572 与 0.1488），也捕捉不到非刚体形变。本文选的是测地特征嵌入（GFE）：每个表面点用"到一小撮地标 \(L\) 的测地距离组成的向量"表示，维数等于地标个数，编码的是内蕴几何，而且天然跨表示——网格上可以用热方法或 Dijkstra，点云上可以用热测地，SDF 上可以先体素化再跑 Dijkstra。地标是一份"最小但够用"的先验：它可证明地消解内蕴对称、锚定形状的语义朝向，这也正是函数映射一系公理化方法的通行做法。本文在人形上取 5 个地标、动物上取 6 个，先在第一个形状上人工点选，再通过真值对应传播到整个数据集。

但地标本身不解决分布层面的问题：非刚体形变会显著改变点与点之间的测地距离，所以 GFE 在两个形状上的分布并不天然对齐——这正是流复合要接手的地方（见设计 3）。更重要的是，决定 FUSE 是否有效的并不是嵌入的维度，而是嵌入的平滑性。表 2 给出的证据很干净：GFE 的 Dirichlet 能量极低（FAUST 上 0.0001），流一上手就把 KNN 的 0.0454 压到 0.0289；而 WKS 与 ULRSSM 学到的嵌入能量高一个数量级以上（0.0056 / 0.1847），FUSE 在 WKS 上几乎毫无改善（0.1007 → 0.1015），在 ULRSSM 上甚至变差（0.0723 → 0.0829）。作者称之为频率诅咒（curse of frequency）：高频嵌入诱导出的分布更复杂，流更难对齐，这与函数映射优化中长期存在的困难同源。反过来做实验也成立——把嵌入投影到少量 Laplace–Beltrami 特征基上做平滑（表 2 里的 WKS* 与 WKS-L*），FUSE 又重新稳定优于 KNN（0.1125 → 0.0901，0.0522 → 0.0416），说明"平滑的学习特征 + 流式对齐"是一条可行路线。FUSE 也不怕维度升高：地标从 3 个加到 30 个，误差单调下降且始终优于 KNN；把地标位置按形状直径的某个比例随机扰动，FUSE 的优势同样保持。

2. 逐形状可逆流与共享高斯锚点：把"形状"表示成一条从高斯出发的连续流

这一设计回答的是"形状本身怎么被表示"。给定形状 \(\ell\) 的嵌入分布 \(p_\ell\)（即嵌入矩阵的行所构成的分布），本文训练一个独立的流 \(\psi^\ell: [0,1] \times \mathbb{R}^d \to \mathbb{R}^d\)，它把固定的共享高斯 \(p_0 = \mathcal{N}(0,1)^d\) 输运到 \(p_\ell\)，也就是从高斯采样一个点、正向积分一步到 \(t=1\)，落点就服从该形状的嵌入分布。流由神经网络参数化的速度场给出，满足以恒等映射为初值的 ODE \(\frac{d}{dt}\psi_t(x) = u_t(\psi_t(x))\)、\(\psi_0(x)=x\)；因此流天然可逆且是微分同胚，反向积分就是从形状回到高斯。真实的速度场不可解，训练改用条件流匹配（Conditional Flow Matching）：用可解的条件速度场做回归，路径取最简单的线性插值（\(x_t=(1-t)x_0+tx_1\)，\(u_t=x_1-x_0\)），目标函数为

\[\mathcal{L}_{\text{CFM}}(\theta) = \mathbb{E}_{t,\, x_0 \sim p_0,\, x_1 \sim p_1}\left\lVert v^\theta_t(x_t) - u_t(x_t \mid x_1) \right\rVert^2\]

（⚠️ 原文式 (1) 在本缓存中 OCR 有损，此处按 Flow Matching 原始定义的标准形式给出。）训练是模拟自由的，只有生成/映射阶段才需要积分 ODE；而且每条流只在自己形状的嵌入上训练，唯一的要求就是"能从表面采到嵌入"，所以对几何表示完全不可知——这也是同一套框架能直接吃 SDF 和四面体网格的原因。

这里还有一个容易被忽略、但对整篇论文至关重要的选择：用流匹配而不是扩散。前作 Geometry Distributions 用 DDIM 把形状表示成高斯到表面的扩散过程，但 DDIM 只是通过足够长的噪声调度渐近逼近高斯，反演回锚空间时会留下偏差，于是"所有形状共享同一个潜空间"这件事只是近似成立。流匹配则在高斯与数据分布之间建立了显式关系，逆流确定性地把形状映射回精确的高斯。表 3 把这一点量化在 FAUST 上：FUSE 的锚空间欧氏/测地误差是 0.042 / 0.039，而 FUSE DDIM 是 0.099 / 0.095；平均 KL 散度 0.0375 对 0.3519，平均 JS 散度 0.0829 对 0.2128。散度上的差距直接对应到最终匹配精度（表 4 中 FUSE 0.0289 对 FUSE DDIM 0.0402），印证了"锚得准，才配得准"。

3. 流复合即映射：不需要成对训练，也不需要测试时优化

有了两条流，形状之间的映射就只是一次复合：\(\Phi^{12} = \psi^2 \circ (\psi^1)^{-1}\)。它的语义非常直白——先用源形状的逆流把 \(S_1\) 的嵌入点送回共享高斯，再用目标形状的正流把同一个点前推到 \(S_2\) 的嵌入空间，因此复合的结果不是"另一个相似度矩阵"，而是一个把点真正送进目标嵌入空间的映射。要落到离散点上，只需在嵌入空间做一次最近邻检索：\(T_{12} = \mathrm{NearestSearch}(\Phi^{12}(E(S_1)), E(S_2))\)。

这条构造之所以成立，靠的是流匹配解的一个性质，而不是运气。FM 训练时高斯样本与数据样本之间用的是随机耦合，但这个随机性只进入条件速度场，不影响学到的流本身：原文引 [25] 的定理 2 说明，把条件场对 \(x_1 \sim p_1\) 取边缘就恢复出生成该概率路径的唯一边缘速度场，而它只由 \((p_1, p_0)\) 这一对分布决定，因此诱导出的流也只由分布决定。于是当 \(E(S_1) = E(S_2)\) 时两条流完全重合；当两者的分布相似时，复合 \(\psi^2 \circ (\psi^1)^{-1}\) 就等价于把 \(E(S_1)\) 对齐到 \(E(S_2)\)，不同形状上嵌入相近的点会被送进锚空间中的相近区域。这带来三个实用的好处：映射自动继承嵌入本身的不变性（嵌入对某类变换不变，映射就跟着不变）；任意两个"已经各自训好流"的形状之间立刻可以建立映射，不需要重新训练；建桥只要求能采样表面，所以跨表示是自然的，而不是打补丁打出来的。

同一条论证也划出了 FUSE 的能力边界：当 \(S_1\) 与 \(S_2\) 之间相差一个嵌入不具备不变性的变换时，两个嵌入分布会变得不相似，流复合也就无从对齐；反过来，嵌入对形变越不敏感、两个分布越接近，复合就越可靠——这正是实验里"等距性越弱，FUSE 相对优势越大"的机制来源。另外必须说清楚：流的可逆性本身不等于两个形状之间的双射。最后一步 KNN 是每个源点各自独立找最近邻，匹配并不严格双射，这与点对点对应方法的通行做法一致；作者也指出，由于 GFE 与流都在表面上连续定义，把构造扩展成连续、严格双射的映射是自然的后续工作，本文没有做。

损失函数 / 训练策略¶

每个形状配一个流模型，只在自己形状的嵌入上独立地用上面的 CFM 目标训练（线性插值路径、模拟自由，只需要采样嵌入）；测试时只做 ODE 的逆向/正向积分加一次 KNN——没有成对优化，没有微调，也没有用真值对应训练任何模块。可选地，FUSE 的输出可以当作函数映射精修方法的初始化：先用 FUSE 得到对应，再接 ZoomOut（FUSE ZO）或 Neural Adjoint Maps（FUSE NAM）做成对优化，这一步换来的是更平滑的映射和更低的误差。地标方面，人形用 5 个、动物用 6 个，在首个形状上人工点选后靠真值对应传播。⚠️ 缓存中的正文没有给出网络结构、ODE 求解步数、训练规模等细节，这部分以原文及其补充材料为准。

实验关键数据¶

主实验¶

评测覆盖四个非刚体形状匹配基准：FAUST（近似等距的人形网格）、SMAL（非等距的四足动物网格）、SHREC20（强非等距的动物网格）和 KINECT（人体点云）。指标有四个：欧氏误差、测地误差、Dirichlet 能量（前三者越低越好）与覆盖率（越高越好）。基线横跨多种范式，包括同用测地特征的 KNN、Sinkhorn 最优传输、带测地描述子的函数映射及其精修变体（FMaps ZO、FMaps NAM）、带 WKS 的经典函数映射、神经形变金字塔 NDP、视觉基础模型特征 Diff3F，以及数据驱动的 ULRSSM。下表汇总表 4 的欧氏误差与覆盖率。

方法	FAUST 欧氏↓	SMAL 欧氏↓	SHREC20 欧氏↓	Kinect 欧氏↓	FAUST 覆盖↑	SMAL 覆盖↑	SHREC20 覆盖↑	Kinect 覆盖↑
KNN	0.0454	0.0879	0.1083	0.1119	0.2452	0.1364	0.1446	0.0995
OT	0.0926	0.0779	0.1252	0.1327	0.0890	0.1129	0.1001	0.0748
FMaps	0.0401	0.0756	0.1381	0.0810	0.3236	0.2162	0.2037	0.1683
FMaps WKS	0.0331	0.0647	0.1197	0.0723	0.3759	0.2585	0.2380	0.2211
FMaps ZO	0.0207	0.0625	0.1454	0.0706	0.6969	0.4706	0.3495	0.4043
FMaps NAM	0.0245	0.0617	0.1041	0.0689	0.6323	0.4694	0.2860	0.3494
NDP	0.0702	0.0555	0.0698	0.0457	0.4893	0.4818	0.5016	0.4190
Diff3F	0.0697	0.1594	0.0876	0.1394	0.3075	0.2146	0.1579	0.1448
ULRSSM	0.0092	0.0370	0.3286	N/A	0.7302	0.4936	0.1337	N/A
FUSE	0.0289	0.0595	0.0975	0.0969	0.5320	0.5156	0.5278	0.4931
FUSE ZO	0.0200	0.0437	0.1275	0.0690	0.7127	0.5361	0.3763	0.4173
FUSE NAM	0.0179	0.0422	0.0658	0.0770	0.7027	0.5520	0.5342	0.3904

测地误差上趋势一致：FUSE 在 FAUST 上把 KNN 的 0.0434 降到 0.0274，加上精修后 FUSE NAM 达到 0.0168；在 SHREC20 上 FUSE NAM 的 0.0603 是所有方法里最低的（NDP 为 0.0649）。

消融实验¶

嵌入类型（表 2，FAUST / SMAL 的欧氏误差与 FAUST 的 Dirichlet 能量）。 这张表同时验证了"GFE 为什么被选中"和"频率诅咒"。

嵌入	维度	KNN（FAUST）	FUSE（FAUST）	KNN（SMAL）	FUSE（SMAL）	Dirichlet（FAUST）
(x, y, z)	3	0.1572	0.1488	0.2903	0.3226	0.0002
GFE	5	0.0454	0.0289	0.0879	0.0595	0.0001
WKS	20	0.1007	0.1015	0.2736	0.3039	0.0056
WKS*（平滑）	20	0.1125	0.0901	—	—	0.0008
WKS-L	20	0.0428	0.0556	0.0697	0.0668	0.0022
WKS-L*（平滑）	20	0.0522	0.0416	—	—	0.0004
ULRSSM	256	0.0723	0.0829	0.1061	0.1117	0.1847

锚定方式（表 3，FAUST，GFE）。 对比直接对原始嵌入做最近邻（Raw）、用 DDIM 反演（FUSE DDIM）与用流匹配（FUSE）：锚空间的精度与分布散度都指向同一结论。

指标	Raw	FUSE DDIM	FUSE
锚空间欧氏误差 ↓	0.045	0.099	0.042
锚空间测地误差 ↓	0.043	0.095	0.039
平均 KL 散度 ↓	0.2528	0.3519	0.0375
平均 JS 散度 ↓	0.1928	0.2128	0.0829

前验类型与跨表示（表 1、表 5）。 表 1 显示只用 5–6 个地标作先验时，FUSE 在 FAUST / SMAL 上的误差（0.028 / 0.059）低于用训练数据先验的 ULRSSM（0.043 / 0.063）和用视觉模型先验的 Diff3F（0.089 / 0.189）。表 5 是本文为 SDF 匹配新建的基准（从 FAUST 派生，评测时把原网格顶点投影到对应 SDF 表面，保证误差仍量在原始网格几何上；从零水平集均匀采样约 \(10^5\) 个点并体素化后用 Dijkstra 算测地距离）：

方法	欧氏误差↓	测地误差↓	Dirichlet↓	覆盖率↑
KNN	0.0562	0.0569	0.0023	0.1744
NDP	0.0525	0.0643	0.0016	0.5139
OT	0.0921	0.0881	0.0018	0.0936
FUSE ANCHOR	0.0472	0.0469	0.0175	0.2784
FUSE	0.0375	0.0385	0.0069	0.4653

关键发现¶

流复合最直接的收益是覆盖率。 FUSE 在 FAUST/SHREC20 上的覆盖率从 KNN 的 0.2452 / 0.1446 升到 0.5320 / 0.5278，甚至接近靠成对优化堆出来的重精修方法。原因是机制性的：流复合是一个几乎处处单值、把点真正推进目标嵌入空间的操作，而 KNN 只是每个点各找各的近邻。
越是非等距，FUSE 的优势越大。 在近似等距的 FAUST 上，FUSE（0.0289）不如 ULRSSM（0.0092）与 FMaps ZO（0.0207）；但到了强非等距的 SHREC20，ULRSSM 直接崩到 0.3286，而 FUSE 为 0.0975、FUSE NAM 为 0.0658 反而最好。这与设计 3 的解释一致：嵌入对形变越不敏感，两个分布越接近，复合越可靠。
FUSE 可以做更好的初始化。 用 FUSE 初始化 ZoomOut / NAM 比用标准 FMaps 初始化更好，在 SHREC20 上尤其明显（FUSE NAM 0.0658 / 0.0603 对 FMaps NAM 0.1041 / 0.0962），说明这条映射提供的起点本身就落在更合理的区域。
FUSE 的映射不平滑，且原因被定位到了流反演。 FUSE ANCHOR（不做流复合、直接在锚空间做近邻）在 SMAL 与 SHREC20 这类非等距场景下欧氏误差略好（0.0579 / 0.0912 对 0.0595 / 0.0975），但 Dirichlet 能量高得多（0.0185 / 0.0538 对 0.0075 / 0.0339）、覆盖率低得多（0.3708 / 0.3619 对 0.5156 / 0.5278）。作者据此判断：FUSE 映射的不平滑来自"从表面反演回锚分布"这一步本身不光滑。
点云上效果受限。 点云既难保证可靠的测地距离，也难保证足够的表面覆盖（顶点之外的表面信息未知），FUSE 因此不敌绕开测地距离的外蕴方法 NDP（0.0969 对 0.0457）。值得注意的是，在 KINECT 一列上 FMaps 的欧氏/测地误差（0.0810 / 0.0779）其实也低于 FUSE（0.0969 / 0.0914），FUSE 的优势主要体现在覆盖率（0.4931 对 0.1683）；原文此处"FUSE 仍优于未精修的测地类方法"的说法较为宽泛，⚠️ 以原文与补充材料的完整指标为准。
跨表示匹配基本可用。 在人为构造的 FAUST 同源集合上（原始网格取顶点当点云、另算 SDF 表示），只要两个形状里至少有一个是网格或 SDF，FUSE 就能达到与网格对网格相当的结果；两边都是点云时才明显退化。
体匹配上"平均更准、但并非处处更准"。 在四面体网格上与 Volumetric FMaps 比较（表 6，Accuracy 越低越好）：近等距的 Octopus（0.0215 对 0.0151）与 Cat（0.0422 对 0.0237）上本文略差，强非等距的 Dino_skel（0.0426 对 0.0652）与 Airplane（0.0942 对 0.1273）上明显更好，平均值 0.0501 对 0.0578。作者认为这与表面场景的结论一致：函数式方法在强非等距时吃力。

亮点与洞察¶

把"两形状之间的映射"拆成"两条各自独立的流 + 一次复合"，等于把一个成对的优化问题换成了两个单形状的分布拟合问题。好处是连锁的：跨形状不用重训，跨表示不用改框架，新形状加入只需训自己那一条流。这个"各自拟合到共同先验、再复合"的范式可以迁移到任何"两个域之间的对应"问题上——跨语言嵌入对齐、跨模态检索，只要有一个逐样本嵌入和一个共享先验，就能照搬。
把共享锚分布当作"可插拔的接头"，是全文最巧的一步：它不是把两个形状的特征硬拉到一起，而是让两边都去对齐一个固定的 \(\mathcal{N}(0,1)\)，于是对齐的难度变成了"各自离高斯有多远"，并且可以用 KL/JS 散度直接量化（表 3）。
"频率诅咒"是一个可复用的诊断。 作者把"嵌入的谱复杂度/平滑性"识别为流式对齐成败的关键变量，并给出立竿见影的补救（用少量 Laplace–Beltrami 特征基平滑嵌入，表 2 里 WKS* / WKS-L* 立刻转为优于 KNN）。任何"用生成模型去对齐特征分布"的工作都可以先用 Dirichlet 能量自查一遍。
换掉 DDIM 的动机讲得很实在：DDIM 的逆过程只能渐近逼近高斯，反演后形状其实不在同一个潜空间里，而"所有形状共享一个锚"恰恰是 FUSE 整个构造的立足点。这类"表示层的小改动决定方法能否成立"的论证方式值得借鉴。

局限与展望¶

作者明确承认三点：对称性的消解完全依赖嵌入，GFE + 地标可以，而 WKS 这类不含破对称信息的嵌入会明显退化；方法依赖一致的测地距离，因此在点云上效果受限，且当前形式不适合部分匹配；最后一步 KNN 让匹配不是严格双射，尽管 GFE 与流本身都是连续的、有做成连续双射的潜力。
我额外注意到的局限：地标虽然少，但仍需要人工在首个形状上点选、再借真值对应传播到整个数据集——在拿不到真值对应的新类别上这份先验并不免费；论文只分析了地标位置的随机扰动，没有分析地标本身选错时的退化。评测全部建立在有真值对应的小规模基准上，泛化到大规模真实扫描（含噪声、孔洞、拓扑变化）的证据还不充分。此外，"流只由分布决定"因而复合可靠的论证，前提是两个嵌入分布足够相似——跨类别、拓扑差异大的形状对上这个前提是否成立，论文没有给出可量化的判据。最后，缓存正文缺少网络结构、ODE 求解步数与训练规模等复现关键细节。
改进思路：按作者指出的方向，把平滑的学习特征与流式对齐结合；把锚空间里的点固定住，以支持部分匹配；用一致的连续映射替换 KNN，从而恢复严格双射；并给出一个"两个嵌入分布是否足够可对齐"的事前度量，用来预测 FUSE 什么时候会失效。

评分¶

新颖性: ⭐⭐⭐⭐ 首次把流匹配用于形状间的映射表示，以共享高斯锚点实现免配对训练、跨表示的复合映射。
实验充分度: ⭐⭐⭐⭐ 四个网格/点云基准 + 自建 SDF 与体网格基准 + 多组嵌入与锚定消融，但缺网络结构与训练超参细节，且点云一列的结论可再推敲。
写作质量: ⭐⭐⭐⭐ 机制论证清楚（为什么复合有效、FM 相对 DDIM 的差别讲得透），公式克制、图表配合得当。
价值: ⭐⭐⭐⭐ 提供了一种表示任意两种几何表示之间映射的新范式，覆盖率与跨表示能力对 UV 参数化、扫描拟合、部分匹配等后续工作有直接价值。