需求：基于初始三角3D网格的极小曲面近似算法（Python实现）

Blender的「平滑顶点」核心是带余切权重的拉普拉斯平滑，这个算法完全契合极小曲面的离散化准则（局部平均曲率为零），以下是核心逻辑、约束处理、收敛控制的细节，以及Python核心实现：

核心算法原理 #

极小曲面的离散化等价于让每个顶点的余切拉普拉斯向量为零——这个向量的计算考虑了相邻三角形的几何形状，比简单的邻域平均更贴合极小曲面的数学定义：

• 对每个非约束顶点 (v_i)，拉普拉斯向量计算公式：
  [
  \Delta v_i = \frac{1}{2A_i} \sum_{j \in N(i)} (\cot \alpha_{ij} + \cot \beta_{ij}) (v_j - v_i)
  ]
  其中：
  • (N(i)) 是 (v_i) 的邻接顶点集合
  • (\alpha_{ij})、(\beta_{ij}) 是边 (v_i v_j) 两侧三角形中，与该边相对的夹角
  • (A_i) 是 (v_i) 的Voronoi面积（可简化为相邻三角形面积的1/3）
• 顶点更新：(v_i^{t+1} = v_i^t + \lambda \cdot \Delta v_i)，(\lambda) 是步长（松弛因子，通常取0.1~0.5）

约束处理 #

• 固定顶点：直接跳过更新，保留原始坐标
• 面内平滑：若需约束顶点在指定平面内，每次更新后将顶点投影回目标平面即可；也可在计算拉普拉斯向量时，仅保留平面内的分量

步长与收敛控制 #

• 步长 (\lambda)：过小会导致收敛缓慢，过大可能引发震荡甚至发散，建议从0.2开始调试
• 收敛判定：两种常用方式：
  1. 计算所有顶点的位移平方和，当小于阈值（如 (1e-6)）时停止迭代
  2. 固定迭代次数（Blender默认约10次，复杂网格可增加到50次）

Python核心实现（无依赖） #

import numpy as np

def build_cotangent_adjacency(vertices, faces):
    # 构建邻接表，存储每个顶点的邻接点及对应的余切权重
    adjacency = {i: [] for i in range(len(vertices))}
    vertices = np.array(vertices)
    
    for face in faces:
        a, b, c = face
        # 计算当前面三条边的余切权重
        # 边ab的余切（对应三角形中c角的邻边夹角）
        vec_ac = vertices[c] - vertices[a]
        vec_bc = vertices[c] - vertices[b]
        cross = np.cross(vec_ac, vec_bc)
        if np.linalg.norm(cross) < 1e-9:
            cot_ab = 0.0
        else:
            cot_ab = np.dot(vec_ac, vec_bc) / np.linalg.norm(cross)
        
        # 边bc的余切（对应a角）
        vec_ba = vertices[a] - vertices[b]
        vec_ca = vertices[a] - vertices[c]
        cross = np.cross(vec_ba, vec_ca)
        if np.linalg.norm(cross) < 1e-9:
            cot_bc = 0.0
        else:
            cot_bc = np.dot(vec_ba, vec_ca) / np.linalg.norm(cross)
        
        # 边ca的余切（对应b角）
        vec_cb = vertices[b] - vertices[c]
        vec_ab = vertices[b] - vertices[a]
        cross = np.cross(vec_cb, vec_ab)
        if np.linalg.norm(cross) < 1e-9:
            cot_ca = 0.0
        else:
            cot_ca = np.dot(vec_cb, vec_ab) / np.linalg.norm(cross)
        
        # 更新邻接表（注意每条边属于两个面，完整实现需合并权重，这里简化为累加）
        adjacency[a].append((b, cot_ab))
        adjacency[b].append((a, cot_ab))
        adjacency[b].append((c, cot_bc))
        adjacency[c].append((b, cot_bc))
        adjacency[c].append((a, cot_ca))
        adjacency[a].append((c, cot_ca))
    
    return adjacency

def constrained_laplacian_smooth(vertices, faces, fixed_vertex_indices, 
                                iterations=10, step=0.2, convergence_threshold=1e-6):
    vertices = np.array(vertices, dtype=np.float64)
    adjacency = build_cotangent_adjacency(vertices, faces)
    
    for _ in range(iterations):
        new_vertices = vertices.copy()
        total_displacement = 0.0
        
        for idx in range(len(vertices)):
            if idx in fixed_vertex_indices:
                continue
            
            weight_sum = 0.0
            laplacian = np.zeros(3)
            for neighbor_idx, cot_weight in adjacency[idx]:
                laplacian += cot_weight * (vertices[neighbor_idx] - vertices[idx])
                weight_sum += cot_weight
            
            if weight_sum < 1e-9:
                continue
            
            # 归一化拉普拉斯向量，应用步长更新
            laplacian /= weight_sum
            displacement = step * laplacian
            new_vertices[idx] += displacement
            total_displacement += np.linalg.norm(displacement) ** 2
        
        # 检查收敛
        if total_displacement < convergence_threshold:
            break
        vertices = new_vertices
    
    return vertices.tolist()

关键细节补充 #

• 余切权重的作用：权重大小对应相邻三角形的“平坦度”，平坦区域的权重更高，顶点移动时会更倾向于向这些区域靠拢，完美匹配极小曲面的平均曲率为零要求
• Blender的面内平滑：本质是将更新后的顶点投影到其相邻面的平均平面上，避免顶点被拉出原始网格的局部平面
• 简化版实现：如果不需要严格的极小曲面精度，也可以用简单邻域平均（每个顶点移动到邻接点的平均位置），但效果远不如余切权重版本贴合极小曲面准则

内容的提问来源于stack exchange，提问作者Franz