学院派造型训练有一条被反复验证的路径:几何体 → 静物 → 石膏像 → 人体 → 创作。这条路径的价值不在"画得越来越像",而在于把复杂形体分解为可理解的基本体块,再处理体块之间的空间关系。石膏像训练的本质,是让人学会在头像里"看见"球体、方体、柱体的组合;人体训练的本质,是看见骨骼 landmark 与肌肉体块的穿插。
因此"系统造型"的专业含义是:建立一套从体块到整体的分解—重组—校验方法,让造型决策有层级、有依据、可复核。它天然适合参数化——体块是几何原语,穿插是空间运算,结构线是相交迹线,剪影是投影轮廓,明暗是法线与光源的函数。把手感建立在可计算的参照系上,经验才能被传授和检验。
体块层:球、方、柱、胶囊五类原语,用有向距离场(SDF)表达。SDF 的优势是体块可任意组合、平滑过渡、求交求差,且天然支持结构线提取。
穿插层:体块关系分相交、相切、包含、分离四类。学院派所讲的"结构线",几何本质就是两个体块表面的相交迹线——它不是画上去的装饰,是形体的真实边界。
剪影层:学院派反复强调"剪影先成立"。剪影可读性可量化为轮廓的凸包占比与转折点密度:好的剪影特征明确、凹凸有节奏,而非一团模糊。
明暗层:素描五调子(高光、亮部、灰部、明暗交界线、反光)不是感觉,而是法线与光源夹角的分段函数。
分解粒度。太粗丢特征(头像画成鸡蛋),太细退化为描摹(失去概括力)。判断标准是:体块组合的重投影与原形偏差可接受,同时体块数控制在可记忆规模(7±2)。
穿插过渡。学院派讲的"过渡面",几何上是两个 SDF 的平滑并集。过渡半径过大则结构糊,过小则生硬——这正是"结构感"的调节旋钮。
剪影量化。主观说"剪影好看"无法教学。可用的代理指标是凸包占比(solidity)与轮廓转折点密度,二者共同刻画"整体紧凑但特征分明"。
(1)体块原语与平滑并集
import numpy as np
def sd_sphere(p, c, r):
return np.linalg.norm(p - c, axis=-1) - r
def sd_box(p, c, half):
q = np.abs(p - c) - half
outside = np.linalg.norm(np.maximum(q, 0), axis=-1)
inside = np.minimum(np.max(q, axis=-1), 0)
return outside + inside
def sd_capsule(p, a, b, r):
pa, ba = p - a, b - a
h = np.clip((pa @ ba) / (ba @ ba), 0, 1)
return np.linalg.norm(pa - h[..., None] * ba, axis=-1) - r
def smin(a, b, k):
"""平滑并集:k 即学院派所说的'过渡面'半径,控制结构感的软硬"""
h = np.clip(0.5 + 0.5 * (b - a) / k, 0, 1)
return b * (1 - h) + a * h - k * h * (1 - h)(2)结构线提取:体块表面的相交迹线
def structure_line(pts, sd_a, sd_b, eps=0.01, surf_eps=0.02):
"""|da-db|<eps 且位于表面,即两体块的相交迹线(结构线的几何本质)"""
da, db = sd_a(pts), sd_b(pts)
on_surface = np.abs(np.minimum(da, db)) < surf_eps
near_equal = np.abs(da - db) < eps
return pts[on_surface & near_equal]
# 示例:头部 = 球体 + 下颌胶囊,两者交线即下颌结构线
head = lambda p: sd_sphere(p, np.array([0, 0, 0.]), 1.0)
jaw = lambda p: sd_capsule(p, np.array([0, -0.6, 0.2]),
np.array([0, -1.2, -0.3]), 0.45)
grid = np.stack(np.meshgrid(*[np.linspace(-1.5, 1.5, 80)] * 3), -1).reshape(-1, 3)
line = structure_line(grid, head, jaw)
print(f"结构线采样点: {len(line)}")(3)剪影可读性:凸包占比 + 转折点密度
from scipy.spatial import ConvexHull
from scipy.ndimage import binary_erosion
def silhouette_readability(mask):
"""mask: 2D 布尔剪影。solidity 高=整体紧凑;turns 适中=特征明确"""
ys, xs = np.nonzero(mask)
pts = np.column_stack([xs, ys])
hull = ConvexHull(pts)
solidity = mask.sum() / hull.volume # 凸包占比
boundary = mask & ~binary_erosion(mask)
by, bx = np.nonzero(boundary)
ang0 = np.arctan2(by - ys.mean(), bx - xs.mean())
order = np.argsort(ang0)
bpts = np.column_stack([bx, by])[order]
d = np.diff(bpts, axis=0, append=bpts[:1])
ang = np.arctan2(d[:, 1], d[:, 0])
turns = np.sum(np.abs(np.diff(ang)) > np.pi / 6) # 方向突变即转折点
return {"solidity": round(float(solidity), 3),
"turns_per_100": round(float(turns) / len(bpts) * 100, 2)}(4)明暗五调子:法线与光源夹角的分段函数
def five_tones(normals, light_dir, ambient=0.15):
ndl = np.clip(normals @ light_dir, -1, 1)
tone = np.zeros(len(ndl))
tone[ndl > 0.90] = 1.00 # 高光
tone[(ndl > 0.35) & (ndl <= 0.90)] = 0.75 # 亮部
tone[(ndl > 0.08) & (ndl <= 0.35)] = 0.50 # 灰部
tone[(ndl > -0.08) & (ndl <= 0.08)] = 0.32 # 明暗交界线
tone[ndl <= -0.08] = ambient # 反光与暗部
return tone(5)比例校验:头身比与三庭均衡
def proportion_check(lm, head_h, target_heads=7.5):
"""lm: {头顶, 发际, 眉, 鼻底, 下巴, 脚底} 的纵向坐标"""
heads = (lm["头顶"] - lm["脚底"]) / head_h
thirds = np.array([lm["发际"] - lm["眉"],
lm["眉"] - lm["鼻底"],
lm["鼻底"] - lm["下巴"]])
return {"heads": round(float(heads), 2),
"head_dev": round(abs(heads - target_heads) / target_heads, 3),
"third_dev": round(float(thirds.std() / thirds.mean()), 3)}这五段代码构成一条完整的校验链:体块分解给出结构骨架,相交迹线给出结构线,投影给出剪影可读性,法线给出明暗层次,landmark 给出比例偏差。造型因此从"感觉像"变成"可以逐项检验"。
五项硬指标:体块分解度(体块数在 5–9 之间,超出则粒度失控)、剪影吻合度(重投影与原形 IoU>0.85)、结构线准确性(提取迹线与手工标注偏差<体高 1%)、比例偏差(头身比偏差<5%、三庭偏差<8%)、明暗层次完整度(五调子均出现且交界线占比 5%–15%)。前两项检验"概括是否到位",中间一项检验"结构是否真实",后两项检验"塑造是否成立"。
学院派系统造型的专业价值,在于它本质是一套可分解、可复核的形体认知方法。数字化不是取代手感,而是为"结构线画在哪、过渡面多软、剪影是否成立"这些经验判断建立可计算的参照系。体块走 SDF、穿插走平滑并集、结构线走相交迹线、剪影走凸包与转折、明暗走法线分段——五层打通,造型训练才从师徒经验升级为可迭代的工程方法。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。