本章探讨人工智能在3D模型生成中的应用，从神经表示到扩散模型，从文本驱动生成到打印适应性优化。我们将深入分析各类生成模型的数学原理、实现架构以及在增材制造中的实际应用。通过理论推导和实践案例，构建对AI辅助3D设计的系统认知。
神经辐射场代表了一种革命性的3D表示方法，它摒弃了传统的显式几何表示（如网格、点云），转而使用连续的神经网络函数来编码三维场景。这种隐式表示不仅能够以极高的保真度重建复杂几何和外观，还为3D打印领域带来了全新的设计范式——从离散采样到连续函数的转变使得我们能够在任意分辨率下提取几何信息，这对于自适应切片和多尺度打印尤为重要。
NeRF的核心在于学习一个连续的5D函数，通过多层感知机（MLP）将空间位置和观察方向映射到体积属性：
\[F_\Theta: (\mathbf{x}, \mathbf{d}) \rightarrow (c, \sigma)\]其中 $\mathbf{x} = (x, y, z) \in \mathbb{R}^3$ 为空间坐标，$\mathbf{d} = (\theta, \phi) \in \mathbb{S}^2$ 为单位球面上的视角方向，$c \in [0,1]^3$ 为RGB颜色值，$\sigma \in \mathbb{R}^+$ 为体积密度（消光系数）。
体积密度 $\sigma$ 的物理意义是微分光学厚度，表示光线在该点被吸收或散射的概率密度。在3D打印的上下文中，我们可以将其理解为材料的局部密度分布，这直接关联到打印件的机械性能和材料用量优化。
从辐射传输理论出发，光线穿过参与介质时的辐射变化由以下微分方程描述：
\[\frac{dL(\mathbf{r}(t), \mathbf{d})}{dt} = -\sigma(\mathbf{r}(t))L(\mathbf{r}(t), \mathbf{d}) + \sigma(\mathbf{r}(t))c(\mathbf{r}(t), \mathbf{d})\]第一项表示消光（吸收和外散射），第二项表示发射和内散射。求解这个方程，我们得到沿射线的累积颜色：
\[C(\mathbf{r}) = \int_{t_n}^{t_f} T(t) \sigma(\mathbf{r}(t)) \mathbf{c}(\mathbf{r}(t), \mathbf{d}) dt\]其中透射率（从 $t_n$ 到 $t$ 的光线存活概率）：
\[T(t) = \exp\left(-\int_{t_n}^{t} \sigma(\mathbf{r}(s)) ds\right)\]这个积分的物理含义是Beer-Lambert定律的推广，描述了光线在非均匀介质中的衰减。对于3D打印应用，透射率可以被重新解释为”材料连续性”的度量，帮助我们识别内部空洞和密度不均匀区域。
神经网络存在频谱偏差（spectral bias），倾向于学习低频函数。为了捕捉高频几何细节（这对打印精度至关重要），NeRF引入了位置编码：
\[\gamma(\mathbf{x}) = [\mathbf{x}, \sin(2^0\pi\mathbf{x}), \cos(2^0\pi\mathbf{x}), ..., \sin(2^{L-1}\pi\mathbf{x}), \cos(2^{L-1}\pi\mathbf{x})]\]这种编码将输入映射到高维特征空间，其中 $L$ 控制最高频率（通常 $L=10$ 对应空间频率，$L=4$ 对应方向频率）。从信号处理角度，这相当于构建了一组傅里叶基函数，使网络能够表示带宽为 $2^L\pi$ 的信号。
编码后的维度：$\text{dim}(\gamma(\mathbf{x})) = 3 + 3 \times 2L = 3(1 + 2L)$
在实际实现中，网络架构通常采用8层全连接网络，每层256个神经元，在第5层引入跳跃连接以缓解梯度消失：
[γ(x), γ(d)] → FC(256) → ReLU → ... → FC(256) →
↓
[concat] → FC(128) → σ
↓
FC(128) → c
为提高渲染效率和质量，NeRF采用分层重要性采样。首先使用粗网络进行均匀采样：
\[t_i \sim \mathcal{U}[t_n, t_f], \quad i = 1, ..., N_c\]基于粗网络的密度估计，构建概率密度函数进行重要性采样：
\[\text{PDF}(t) \propto T(t)\sigma(t)\]这确保了更多采样点集中在对最终颜色贡献大的区域（即高密度区域附近）。对于3D打印，这种采样策略可以适配到自适应层高算法中，在几何复杂区域使用更密集的采样。
符号距离函数提供了一种优雅的隐式几何表示，它不仅编码了物体的表面位置（零水平集），还包含了丰富的拓扑和距离信息。对于3D打印而言，SDF的梯度直接给出表面法向，这对于支撑生成、壁厚分析和打印方向优化至关重要。更重要的是，SDF的距离属性使得我们能够直接进行形态学操作（如偏移、布尔运算），这些操作在传统网格表示中往往需要复杂的重新网格化过程。
数学上，SDF定义为空间中任意点到物体表面的最短带符号距离：
\[f(\mathbf{x}) = \begin{cases} -d(\mathbf{x}, \partial\Omega) & \text{if } \mathbf{x} \in \Omega \\ 0 & \text{if } \mathbf{x} \in \partial\Omega \\ d(\mathbf{x}, \partial\Omega) & \text{if } \mathbf{x} \notin \Omega \end{cases}\]其中 $\Omega$ 表示物体内部，$\partial\Omega$ 表示表面，$d(\cdot, \cdot)$ 为欧氏距离。符号约定为内部为负、外部为正，这使得梯度始终指向外法向。
传统的SDF通常存储在体素网格或八叉树中，存在内存消耗大和分辨率受限的问题。神经SDF通过深度神经网络实现连续的隐式函数逼近：
\[f_\theta: \mathbb{R}^3 \rightarrow \mathbb{R}\]网络 $f_\theta$ 将任意3D坐标映射到SDF值，理论上可以在任意分辨率下查询。这种表示特别适合3D打印的需求：可以根据局部几何复杂度自适应调整采样密度，在平坦区域使用稀疏采样，在细节丰富区域使用密集采样。
有效的SDF必须满足Eikonal方程，即梯度的模长处处为1：
\[\|\nabla f(\mathbf{x})\| = 1, \quad \forall \mathbf{x} \in \mathbb{R}^3\]这个约束确保了函数确实表示距离场。从物理角度，Eikonal方程描述了波前在均匀介质中的传播，在3D打印中可以用于模拟热传导或应力分布。
训练神经SDF的损失函数通常包含多个项：
\[\mathcal{L} = \lambda_{\text{surf}}\mathcal{L}_{\text{surf}} + \lambda_{\text{eik}}\mathcal{L}_{\text{eik}} + \lambda_{\text{norm}}\mathcal{L}_{\text{norm}} + \lambda_{\text{reg}}\mathcal{L}_{\text{reg}}\]各项的具体定义：
表面重建损失（监督信号）： \(\mathcal{L}_{\text{surf}} = \frac{1}{|\mathcal{P}|}\sum_{\mathbf{x} \in \mathcal{P}} |f_\theta(\mathbf{x}) - f^*(\mathbf{x})|\)
Eikonal损失（几何约束）： \(\mathcal{L}_{\text{eik}} = \frac{1}{|\mathcal{X}|}\sum_{\mathbf{x} \in \mathcal{X}} (\|\nabla_\mathbf{x} f_\theta(\mathbf{x})\| - 1)^2\)
法向一致性损失（表面质量）： \(\mathcal{L}_{\text{norm}} = \frac{1}{|\mathcal{S}|}\sum_{\mathbf{x} \in \mathcal{S}} (1 - \langle\nabla f_\theta(\mathbf{x}), \mathbf{n}^*(\mathbf{x})\rangle)\)
正则化损失（平滑性）： \(\mathcal{L}_{\text{reg}} = \frac{1}{|\mathcal{X}|}\sum_{\mathbf{x} \in \mathcal{X}} \|\nabla^2 f_\theta(\mathbf{x})\|_F^2\)
其中 $\mathcal{P}$ 为点云采样，$\mathcal{S}$ 为表面采样，$\mathcal{X}$ 为空间采样，$|\cdot|_F$ 为Frobenius范数。
从神经SDF提取显式网格通常使用Marching Cubes算法：
\[\text{Mesh} = \text{MarchingCubes}(f_\theta, \text{threshold}=0)\]算法在规则网格上评估SDF值，通过线性插值找到零水平集与网格边的交点，然后根据顶点配置生成三角面片。对于3D打印，需要特别注意：
高级的表面提取方法如Dual Contouring可以更好地保持尖锐特征：
\[\mathbf{v}^* = \arg\min_\mathbf{v} \sum_{i} \|\mathbf{n}_i \cdot (\mathbf{v} - \mathbf{p}_i)\|^2\]其中 $\mathbf{p}_i$ 为边交点，$\mathbf{n}_i$ 为该点的梯度（法向）。
虽然神经隐式表示提供了连续性和紧凑性，但传统的离散表示（体素和点云）在某些3D打印应用中仍然不可或缺。体素表示直接对应于打印机的层积方式，而点云则提供了高效的表面采样，特别适合激光扫描数据的直接处理。理解这些表示方法的优劣权衡对于选择合适的生成模型至关重要。
体素将3D空间离散化为规则网格，每个体素存储占用信息或材料属性。这种表示的主要挑战是内存消耗与分辨率的立方关系：
\[\text{Memory} = O(N^3), \quad \text{Resolution} = \frac{L}{N}\]其中 $L$ 为边界框尺寸，$N$ 为每个维度的体素数量。例如，$512^3$ 的二值体素网格需要128MB内存，而 $1024^3$ 则需要1GB。
对于多材料3D打印，每个体素可能需要存储：
总内存需求：$\text{Memory}{\text{total}} = N^3 \times (s{\text{material}} + s_{\text{density}} + s_{\text{physics}})$
为缓解内存压力，八叉树提供了自适应的空间分割策略。节点递归细分的准则基于局部几何复杂度：
根节点 (深度0)
├── 子节点0 (深度1)
│ ├── 叶节点 (空)
│ ├── 叶节点 (实)
│ └── 子节点 (继续细分)
└── 子节点1 (深度1)
└── ...
细分条件可以是：
八叉树的内存效率：$\text{Memory}_{\text{octree}} = O(N^2)$ 对于表面附近的自适应细分。
构建算法的时间复杂度：
function BuildOctree(node, depth):
if depth >= max_depth or IsHomogeneous(node):
return LeafNode(node)
for i in range(8):
child = Subdivide(node, i)
node.children[i] = BuildOctree(child, depth+1)
return node
时间复杂度：$O(N^2 \log N)$ 对于 $N^2$ 个表面体素。
点云表示 $\mathcal{P} = {(\mathbf{p}i, \mathbf{f}_i)}{i=1}^M$ 包含位置 $\mathbf{p}_i \in \mathbb{R}^3$ 和特征 $\mathbf{f}_i$（如法向、颜色）。对于3D打印，关键操作包括：
最小特征值对应的特征向量即为法向 $\mathbf{n}_i$。
其中 $\lambda_0 < \lambda_1 < \lambda_2$ 为协方差矩阵特征值。
其中 $r_k$ 为第 $k$ 近邻的距离。
从点云重建水密网格的泊松方法基于这样的观察：表面可以通过求解泊松方程得到。给定定向点云，构造向量场 $\mathbf{V}$，其散度等于表面的指示函数梯度：
\[\Delta \chi = \nabla \cdot \mathbf{V}\]其中 $\chi$ 为指示函数（内部为1，外部为0）。
向量场通过样条插值构造： \(\mathbf{V}(\mathbf{x}) = \sum_{i} \mathbf{n}_i \cdot B(\mathbf{x} - \mathbf{p}_i)\)
其中 $B$ 为紧支撑基函数（如B样条）。
泊松方程在频域求解： \(\hat{\chi}(\omega) = \frac{\hat{\nabla \cdot \mathbf{V}}(\omega)}{-\|\omega\|^2}\)
然后通过快速傅里叶变换恢复空间域解。该方法的优势是全局优化，能够填补缺失区域，生成水密网格——这对3D打印至关重要。
在实际应用中，单一表示往往难以满足所有需求。混合表示结合了不同方法的优势，例如使用NeRF捕捉外观细节，同时用SDF确保几何准确性。这种多模态融合对于高质量3D打印尤为重要，因为我们既需要精确的几何形状，又希望保留纹理信息用于多色打印。
联合优化目标综合考虑颜色重建、几何约束和一致性：
\[\mathcal{L}_{\text{joint}} = \mathcal{L}_{\text{rgb}} + \lambda\mathcal{L}_{\text{sdf}} + \mu\mathcal{L}_{\text{consist}} + \nu\mathcal{L}_{\text{smooth}}\]各项损失的详细定义：
RGB重建损失（NeRF部分）： \(\mathcal{L}_{\text{rgb}} = \sum_{\mathbf{r}} \|\hat{C}(\mathbf{r}) - C(\mathbf{r})\|^2\)
SDF监督损失（几何准确性）： \(\mathcal{L}_{\text{sdf}} = \sum_{\mathbf{x} \in \mathcal{P}} |f_\theta(\mathbf{x}) - d_{\text{gt}}(\mathbf{x})|\)
密度-SDF一致性（关键创新）： \(\mathcal{L}_{\text{consist}} = \sum_{\mathbf{x}} |\sigma(\mathbf{x}) - \alpha \cdot \psi(f(\mathbf{x}))|\)
其中转换函数 $\psi$ 将SDF映射到密度： \(\psi(s) = \begin{cases} \exp(-\beta|s|) & \text{if } |s| < \epsilon \\ 0 & \text{otherwise} \end{cases}\)
理论上，体积密度 $\sigma$ 和符号距离 $f$ 存在数学关系。在表面附近，密度可以表示为：
\[\sigma(\mathbf{x}) = \alpha \cdot \delta(f(\mathbf{x}))\]其中 $\delta$ 为Dirac delta函数。实践中使用平滑近似：
\[\sigma(\mathbf{x}) = \alpha \cdot \frac{1}{\beta} \cdot \text{Laplace}(f(\mathbf{x}); 0, \beta)\]Laplace分布提供了尖锐但可微的转换： \(\text{Laplace}(x; \mu, b) = \frac{1}{2b}\exp\left(-\frac{|x-\mu|}{b}\right)\)
参数 $\beta$ 控制表面厚度，对于3D打印应用，通常设置为最小层厚的一半。
前向扩散过程：
\[q(\mathbf{x}_t | \mathbf{x}_{t-1}) = \mathcal{N}(\mathbf{x}_t; \sqrt{1-\beta_t}\mathbf{x}_{t-1}, \beta_t\mathbf{I})\]累积形式：
\[q(\mathbf{x}_t | \mathbf{x}_0) = \mathcal{N}(\mathbf{x}_t; \sqrt{\bar{\alpha}_t}\mathbf{x}_0, (1-\bar{\alpha}_t)\mathbf{I})\]其中 $\bar{\alpha}t = \prod{i=1}^t (1-\beta_i)$。
反向去噪过程：
\[p_\theta(\mathbf{x}_{t-1} | \mathbf{x}_t) = \mathcal{N}(\mathbf{x}_{t-1}; \mu_\theta(\mathbf{x}_t, t), \Sigma_\theta(\mathbf{x}_t, t))\]训练目标简化：
\[\mathcal{L}_{\text{simple}} = \mathbb{E}_{t,\mathbf{x}_0,\epsilon}\left[\|\epsilon - \epsilon_\theta(\mathbf{x}_t, t)\|^2\right]\]点云扩散（Point-E）：
\[\mathbf{P}_t = \sqrt{\bar{\alpha}_t}\mathbf{P}_0 + \sqrt{1-\bar{\alpha}_t}\epsilon, \quad \epsilon \sim \mathcal{N}(0, \mathbf{I})\]点云变换器架构：
\[\text{Attention}(\mathbf{Q}, \mathbf{K}, \mathbf{V}) = \text{softmax}\left(\frac{\mathbf{Q}\mathbf{K}^T}{\sqrt{d_k}}\right)\mathbf{V}\]体素扩散（3D-DDPM）：
\[\mathbf{V}_t = \sqrt{\bar{\alpha}_t}\mathbf{V}_0 + \sqrt{1-\bar{\alpha}_t}\epsilon_{3D}\]3D U-Net去噪器：
输入: [B, C, D, H, W] → 编码器 → 瓶颈 → 解码器 → 输出: [B, C, D, H, W]
↓ ↓ ↑ ↑
下采样 特征提取 上采样 跳跃连接
编码器-解码器架构：
\[\mathbf{z} = \mathcal{E}(\mathbf{x}), \quad \hat{\mathbf{x}} = \mathcal{D}(\mathbf{z})\]隐空间扩散：
\[q(\mathbf{z}_t | \mathbf{z}_{t-1}) = \mathcal{N}(\mathbf{z}_t; \sqrt{1-\beta_t}\mathbf{z}_{t-1}, \beta_t\mathbf{I})\]降维优势：
\[\text{Computational Cost}: O(d^3) \rightarrow O(d'^3), \quad d' \ll d\]分类器引导：
\[\nabla_{\mathbf{x}_t} \log p(\mathbf{x}_t | y) = \nabla_{\mathbf{x}_t} \log p(\mathbf{x}_t) + \nabla_{\mathbf{x}_t} \log p(y | \mathbf{x}_t)\]无分类器引导：
\[\tilde{\epsilon}_\theta(\mathbf{x}_t, t, y) = (1 + w)\epsilon_\theta(\mathbf{x}_t, t, y) - w\epsilon_\theta(\mathbf{x}_t, t, \emptyset)\]其中 $w$ 为引导权重。
CLIP文本编码器：
\[\mathbf{t} = \text{CLIP}_{\text{text}}(\text{prompt})\]文本特征维度：$\mathbf{t} \in \mathbb{R}^{512}$ 或 $\mathbb{R}^{768}$
注意力机制融合：
\[\text{CrossAttention}(\mathbf{x}, \mathbf{t}) = \text{softmax}\left(\frac{\mathbf{Q}_x\mathbf{K}_t^T}{\sqrt{d}}\right)\mathbf{V}_t\]Score Distillation Sampling (SDS)损失：
\[\nabla_\theta \mathcal{L}_{\text{SDS}} = \mathbb{E}_{t,\epsilon}\left[w(t)(\epsilon_\phi(\mathbf{x}_t, t, y) - \epsilon)\frac{\partial\mathbf{x}}{\partial\theta}\right]\]其中 $\theta$ 为3D表示参数，$\phi$ 为预训练扩散模型。
多视角一致性：
\[\mathcal{L}_{\text{consist}} = \sum_{i,j} \|\mathcal{R}_i(\theta) - \mathcal{R}_j(\theta)\|^2\]渲染管线：
3D表示(NeRF/Mesh) → 可微渲染 → 2D图像 → 扩散模型梯度 → 参数更新
↑ ↓
└──────────────────────────────────────────────┘
单视图到多视图：
\[p(\mathbf{I}_{\text{novel}} | \mathbf{I}_{\text{input}}, \Delta\mathbf{R}, \Delta\mathbf{t})\]相对位姿编码：
\[\mathbf{p} = [\sin(\Delta\theta), \cos(\Delta\theta), \sin(\Delta\phi), \cos(\Delta\phi), \Delta z]\]视角一致性损失：
\[\mathcal{L}_{\text{view}} = \|\mathbf{I}_{\text{rendered}} - \mathbf{I}_{\text{generated}}\|^2 + \lambda\|\nabla\mathbf{I}_{\text{rendered}} - \nabla\mathbf{I}_{\text{generated}}\|^2\]粗糙阶段（低分辨率NeRF）：
\[\text{Resolution}: 64^3, \quad \text{Iterations}: 5000\]精细阶段（DMTet网格）：
\[\text{Resolution}: 512^3, \quad \text{Iterations}: 3000\]DMTet隐式到显式转换：
\[\mathbf{v}_i' = \mathbf{v}_i + \Delta\mathbf{v}_i \cdot \tanh(s_i)\]其中 $s_i$ 为SDF值，$\Delta\mathbf{v}_i$ 为位移向量。
内容损失：
\[\mathcal{L}_{\text{content}} = \sum_l \frac{1}{2N_lM_l}\sum_{ij}(F_{ij}^l - P_{ij}^l)^2\]风格损失（Gram矩阵）：
\[\mathcal{L}_{\text{style}} = \sum_l w_l\frac{1}{4N_l^2M_l^2}\sum_{ij}(G_{ij}^l - A_{ij}^l)^2\]其中： \(G_{ij}^l = \sum_k F_{ik}^l F_{jk}^l\)
3D一致性约束：
\[\mathcal{L}_{3D} = \sum_{\mathbf{v} \in V} \sum_{\mathbf{u} \in N(\mathbf{v})} w_{\mathbf{vu}}\|\mathbf{c}_\mathbf{v} - \mathbf{c}_\mathbf{u}\|^2\]源域到目标域映射：
\[\mathcal{G}: \mathcal{X}_s \rightarrow \mathcal{X}_t\]对抗损失：
\[\mathcal{L}_{\text{adv}} = \mathbb{E}_{\mathbf{x} \sim p_t}[\log D(\mathbf{x})] + \mathbb{E}_{\mathbf{x} \sim p_s}[\log(1-D(\mathcal{G}(\mathbf{x})))]\]循环一致性：
\[\mathcal{L}_{\text{cycle}} = \|\mathcal{F}(\mathcal{G}(\mathbf{x}_s)) - \mathbf{x}_s\|_1 + \|\mathcal{G}(\mathcal{F}(\mathbf{x}_t)) - \mathbf{x}_t\|_1\]UV参数化优化：
\[\min_{\mathbf{u},\mathbf{v}} \sum_{f \in F} \text{distortion}(f, \mathbf{u}, \mathbf{v})\]扭曲度量：
\[\text{distortion} = \alpha E_{\text{stretch}} + \beta E_{\text{angle}} + \gamma E_{\text{area}}\]神经纹理场：
\[\mathbf{c}(\mathbf{u}, \mathbf{v}) = \text{MLP}_\theta(\gamma(\mathbf{u}, \mathbf{v}))\]图像-形状联合嵌入：
\[\mathcal{L}_{\text{align}} = -\log\frac{\exp(\mathbf{f}_I \cdot \mathbf{f}_S / \tau)}{\sum_{j} \exp(\mathbf{f}_I \cdot \mathbf{f}_{S_j} / \tau)}\]跨模态注意力：
\[\text{MultiModal}(\mathbf{Q}_{\text{3D}}, \mathbf{K}_{\text{2D}}, \mathbf{V}_{\text{2D}})\]状态空间定义：
\[s_t = (\mathbf{M}, \mathbf{S}_t, \mathbf{O}_t)\]其中 $\mathbf{M}$ 为模型几何，$\mathbf{S}_t$ 为当前支撑，$\mathbf{O}_t$ 为悬垂检测。
动作空间：
\[a_t \in \{\text{add\_tree}, \text{add\_linear}, \text{remove}, \text{modify\_params}\}\]奖励函数设计：
\[r_t = -\alpha \cdot \text{material} - \beta \cdot \text{failures} + \gamma \cdot \text{removability}\]转移概率：
\[P(s_{t+1} | s_t, a_t) = \begin{cases} 1 & \text{if action valid} \\ 0 & \text{otherwise} \end{cases}\]Q函数逼近：
\[Q(s, a; \theta) \approx Q^*(s, a)\]Bellman方程：
\[Q^*(s, a) = \mathbb{E}_{s'}[r + \gamma \max_{a'} Q^*(s', a') | s, a]\]损失函数：
\[\mathcal{L}(\theta) = \mathbb{E}_{(s,a,r,s')}\left[(r + \gamma \max_{a'} Q(s', a'; \theta^-) - Q(s, a; \theta))^2\right]\]经验回放：
\[\mathcal{D} = \{(s_i, a_i, r_i, s_{i+1})\}_{i=1}^N\]策略参数化：
\[\pi_\theta(a|s) = \frac{\exp(f_\theta(s, a))}{\sum_{a'} \exp(f_\theta(s, a'))}\]REINFORCE梯度：
\[\nabla_\theta J(\theta) = \mathbb{E}_{\tau \sim \pi_\theta}\left[\sum_{t=0}^T \nabla_\theta \log \pi_\theta(a_t|s_t) G_t\right]\]其中回报：
\[G_t = \sum_{k=t}^T \gamma^{k-t} r_k\]优势函数：
\[A(s, a) = Q(s, a) - V(s)\]Pareto最优支撑：
\[\text{minimize} \quad \mathbf{f}(x) = [f_1(x), f_2(x), ..., f_k(x)]^T\]约束条件：
NSGA-II选择：
\[\text{rank}(x_i) = 1 + |\{x_j : x_j \prec x_i\}|\]拥挤度距离：
\[d_i = \sum_{m=1}^M \frac{f_m^{i+1} - f_m^{i-1}}{f_m^{\max} - f_m^{\min}}\]悬垂角约束：
\[\theta_{\text{overhang}} = \arccos(\mathbf{n} \cdot \mathbf{z}) < \theta_{\max}\]其中 $\mathbf{n}$ 为表面法向，$\mathbf{z}$ 为构建方向。
最小壁厚约束：
\[d_{\text{wall}} = 2 \cdot \text{MedialAxis}(\mathbf{x}) > d_{\min}\]桥接长度限制：
\[L_{\text{bridge}} < L_{\max} = f(\text{material}, \text{temperature}, \text{speed})\]封闭性检查：
\[\oint_{\partial V} \mathbf{n} \cdot d\mathbf{S} = 0\]流形性修复：
for each edge e in mesh:
if faces_count(e) != 2:
fix_non_manifold(e)
孔洞填充（Poisson方程）：
\(\Delta u = 0 \quad \text{in } \Omega_{\text{hole}}\) \(u = g \quad \text{on } \partial\Omega_{\text{hole}}\)
自相交检测与消除：
\[\text{Intersect}(T_i, T_j) = \begin{cases} \text{split} & \text{if crossing} \\ \text{merge} & \text{if duplicate} \\ \emptyset & \text{otherwise} \end{cases}\]法向一致性：
\[\mathbf{n}_i \cdot \mathbf{n}_j > 0, \quad \forall (i,j) \in \text{adjacent}\]自适应层高：
\[h(z) = h_{\min} + (h_{\max} - h_{\min}) \cdot \left(1 - \frac{|\nabla_z f(z)|}{|\nabla_z f|_{\max}}\right)\]支撑接触优化：
\[A_{\text{contact}} = \pi r^2 n, \quad r = f(\text{removability}, \text{stability})\]打印时间估计：
\[T_{\text{total}} = T_{\text{travel}} + T_{\text{extrude}} + T_{\text{retract}} + T_{\text{layer}}\]其中： \(T_{\text{extrude}} = \frac{V_{\text{material}}}{\text{flow\_rate}}\)
打印仿真损失：
\[\mathcal{L}_{\text{sim}} = \|\mathbf{x}_{\text{printed}} - \mathbf{x}_{\text{designed}}\|^2 + \lambda\|\sigma_{\text{stress}} - \sigma_{\text{target}}\|^2\]层间结合预测：
\[B(z) = B_0 \exp\left(-\frac{(T_{\text{bed}} - T_g)^2}{2\sigma_T^2}\right) \cdot \left(1 - \frac{v_{\text{print}}}{v_{\max}}\right)\]翘曲变形补偿：
\[\mathbf{x}_{\text{compensated}} = \mathbf{x}_{\text{original}} + \mathbf{J}^{-1} \cdot \Delta\mathbf{x}_{\text{predicted}}\]其中 $\mathbf{J}$ 为变形雅可比矩阵。
闭环优化：
while not converged:
x_gen = generate_model(prompt, params)
x_sim = simulate_print(x_gen)
loss = compute_printability_loss(x_sim)
params = update_parameters(params, grad(loss))
本章系统介绍了AI驱动的3D生成技术及其在增材制造中的应用：
关键数学工具：
| 扩散过程：$q(\mathbf{x}_t | \mathbf{x}_0) = \mathcal{N}(\mathbf{x}_t; \sqrt{\bar{\alpha}_t}\mathbf{x}_0, (1-\bar{\alpha}_t)\mathbf{I})$ |
12.1 给定NeRF模型输出密度场 $\sigma(x, y, z) = \exp(-x^2-y^2-z^2)$，计算沿射线 $\mathbf{r}(t) = \mathbf{o} + t\mathbf{d}$（其中 $\mathbf{o} = (1, 0, 0)$，$\mathbf{d} = (-1, 0, 0)$）从 $t=0$ 到 $t=2$ 的透射率 $T(2)$。
12.2 对于SDF函数 $f(x, y, z) = \sqrt{x^2 + y^2} - 1$（圆柱体），验证点 $(0.5, 0.5, 0)$ 处是否满足Eikonal方程 $|\nabla f| = 1$。
12.3 在扩散模型中，若 $\beta_t = 0.01$ 对所有 $t$，计算 $\bar{\alpha}_{10}$ 的值。
12.4 设计一个损失函数，同时优化生成模型输出的美观性（通过CLIP评分）、可打印性（悬垂角约束）和材料效率。给出各项权重的自适应调整策略。
12.5 推导使用强化学习生成树形支撑时，状态价值函数 $V(s)$ 的贝尔曼方程，并说明如何处理连续动作空间（支撑位置和参数）。
12.6 给定一个生成的网格模型，设计算法检测并自动修复所有不可打印的特征（悬垂、薄壁、孔洞），给出时间复杂度分析。