清华大学等单位的研究团队提出了一套名为 AutoMIA 的 AI 设计系统，目标是把任意两张 2D 图片自动转化为具有镜像错觉效果的 3D 艺术品。按照论文描述，用户只需分别指定镜前图案和镜中图案，系统就可以自动完成三维物体的设计，并支持直接进行 3D 打印。
这项工作对应的论文链接为 http://arxiv.org/abs/2607.02015，代码已在 GitHub 发布，地址为 https://github.com/zxp555/AutoMIA。论文已被 CVPR 2026 接收，并被评为大会亮点论文（Highlight Paper），同时还获得了 CVPR 高效计算奖（Efficient CVPR）。
从镜前图案到镜中图案，呈现两种不同视觉结果
论文展示的案例中，同一个物体在镜子前的直接观察结果，与其在镜中的倒影会呈现几乎互不相干的内容。示例里，物体正面可以显示“CVPR”，镜中则显示“2026”；另一组案例中，正面显示“山”，镜中则显示“水”。
这类现象并非简单的图像翻转。研究人员指出，其背后依赖的是经过特殊设计的 3D 物体，以及人类视觉系统中的“对称补全效应”。在这种机制下，观察者会在直接观察与镜中观察之间感知到两种不同的视觉结果，这类作品被归为镜像错觉艺术（Mirror Illusion Art）。
传统上，这类艺术品的设计往往需要专业艺术家进行大量手工构思、经验调整和数学计算，门槛较高，也不容易让普通用户把个人想法直接变成可制作的作品。AutoMIA试图处理的，正是这一步自动化设计问题。
研究背景：镜像错觉艺术长期依赖人工设计
研究团队在论文中提到，光学错觉艺术一直处在艺术、心理学和计算机视觉的交叉地带。常见的 2D 错觉形式包括混合图像、视觉变形图像等，3D 错觉则包括 Shadow Art、Multi-View Wire Art 等。
这些方法通常依赖特定视角、投影关系或阴影条件，让同一个物体在不同观察方式下呈现不同外观。镜像错觉艺术则更特殊：一个真实物体摆放在镜子前时，观察者正面看到一种图案，镜中看到另一种图案。
论文指出，既有方案往往需要大量人工推导和手工微调，而且大多集中在形状设计层面，难以同时处理彩色图案。若直接借鉴 Shadow Art 一类方法，又容易出现表面噪声、背景浮块和内部断裂，影响视觉质量，也不利于实体制作。
基于这些限制，研究团队提出了一个明确问题：给定两张目标图像，系统能否自动同时优化 3D 形状和表面颜色，使同一个物体在两个视角下呈现两种指定外观。
AutoMIA 如何工作：把问题建模为双视角逆设计任务
在方法设计上，AutoMIA把镜像错觉艺术建模为一个双视角逆设计任务。系统首先使用体素来表示 3D 物体，每个体素同时包含密度和颜色信息。接着，系统通过可微体渲染，从两个指定视角对该物体进行渲染，并将渲染结果与用户输入的两张目标图像进行比较。
整个优化目标同时覆盖形状相似度和颜色相似度。换句话说，系统既要让生成物体满足轮廓要求，也要尽量还原目标图像中的颜色信息。
研究人员在优化过程中识别出四类关键问题：表面噪声、背景噪声、内部断裂，以及形状优化与颜色优化之间的不平衡。围绕这些问题，论文提出了四个核心机制。
PAC：基于投影对齐的连通域剪枝
PAC 会把当前体素中的连通分量逐个投影到两个视角，并根据它们与目标 mask 的重合程度，以及是否向背景区域溢出进行评分。系统借此保留真正有助于形成目标图案的结构，去除漂浮或无效的噪声部分。
PWA：基于位置的加权自适应抑噪
PWA 会根据像素到目标区域的距离来调整背景惩罚权重。距离目标图案越远，错误投影承受的惩罚越强，从而减少远离主体区域的背景噪声。
IVP：内部体素保护
由于监督图像主要约束物体表面，内部体素在优化中容易被削弱，进而导致结构断裂。IVP 用于识别内部体素，并对其施加密度下限，以保持物体结构完整。这一点对后续 3D 打印尤为关键。
SCD：形状与颜色解耦优化
AutoMIA把训练过程划分为形状优化、形状与颜色联合优化、颜色细化三个阶段。这样做是为了避免颜色信息过早干扰几何结构，同时减少不同视角之间的颜色冲突。
实验结果：在重建质量和效率上优于对比方法
论文使用多类 2D 图像作为输入，对 AutoMIA进行了验证，涵盖英文字母、数字、汉字、几何图案、emoji、卡通图案和 logo 等。
在对比实验中，研究团队将 AutoMIA与 Shadow Art（SA）和 Shadow Art Revisited（SAR）等方法进行比较。由于这些基线方法主要支持形状优化，因此论文重点比较了平滑程度、噪声水平和形状一致性等指标。
根据论文报告，AutoMIA的平滑程度（SL）达到 0.989，噪声水平（NL）降至 0.049，形状一致性（SS）达到 0.931。相比之下，SA 和 SAR 在形状一致性和噪声控制方面存在明显差距。
在计算效率上，AutoMIA在单张 RTX 3090 上的平均设计时间为 76 秒，平均显存占用约 2.6GB。论文将这一点作为其获得 Efficient CVPR 奖的重要依据之一。
从可视化结果看，SA 和 SAR 更容易出现悬浮噪声、表面不平整和内部断裂等情况，导致物体难以形成稳定且完整的实体结构。AutoMIA生成的结果则不仅能更好匹配两张目标图像的轮廓，也能重建出输入图像的彩色表面，使镜前视角和镜中视角都保留较清晰的视觉语义。
对于镜像错觉艺术来说，这一点非常关键。论文指出，如果只有形状接近、但颜色混乱，或者颜色相似、但结构破碎，都很难形成可信的错觉效果。
消融实验与数字仿真、实体制作结果
论文中的消融实验显示，PAC、PWA、IVP 和 SCD 四个模块都对最终结果有贡献。去掉任何一个模块，都会导致重建质量下降。举例来看，去掉 PAC 会显著增加噪声并降低形状一致性；去掉 SCD，则会影响形状、颜色和平滑效果。
研究团队据此表示，AutoMIA并不是单纯依赖体素优化，而是围绕镜像错觉设计中的具体问题做了系统性设计。
论文还给出了一组“数字世界”的示例。按照文中描述，在 Blender 数字仿真软件中，系统渲染出了效果良好的镜像错觉物体。
除了数字结果，论文还展示了多个实体制作案例。研究人员将优化后的体素模型转换为可 3D 打印的格式，并通过 3D 打印制作出真实物体。实物照片显示，物体正面与镜中确实呈现出不同图案，说明这套方法已经能够从数字设计走向物理制作。
论文同时提到，用户可以基于这一方法制作各类艺术品。
论文作者与研究结论
研究人员将 AutoMIA定义为一个用于自动生成 Mirror Illusion Art 的 AI 设计系统。该系统从两张 2D 图像出发，联合优化 3D 物体的形状和颜色，并通过 PAC、PWA、IVP 和 SCD 提升结果质量，使生成物体更平滑、更完整，也更适合实际制作。
论文作者依次为朱小佩，清华大学水木学者，合作导师为朱军教授；李泽远，为共同第一作者、华中科技大学本科生；通讯作者为清华大学朱军教授和胡晓林副教授。
按照论文总结，这项工作展示了 AI 在计算设计和艺术创作中的一种新用法：系统不仅可以生成图像，也可以设计具备物理可实现性的 3D 错觉物体。一个物体在现实中只有一种形态，却能在镜子中呈现另一种视觉身份，这也为视觉感知、逆向图形学和数字制造提供了新的研究方向。
本文援引来源为微信公众号“新智元”，作者为新智元，编辑为 LRST。