FastMesh: Effiziente künstlerische Mesh-Generierung durch Komponentenentkopplung

FastMesh:Efficient Artistic Mesh Generation via Component Decoupling

August 26, 2025

papers.authors: Jeonghwan Kim, Yushi Lan, Armando Fortes, Yongwei Chen, Xingang Pan

cs.AI

papers.abstract

Aktuelle Ansätze zur Netzgenerierung tokenisieren typischerweise Dreiecksnetze in Sequenzen von Tokens und trainieren autoregressive Modelle, um diese Tokens sequenziell zu generieren. Trotz erheblicher Fortschritte verwenden solche Tokensequenzen zwangsläufig Knotenpunkte mehrfach, um Mannigfaltigkeitsnetze vollständig darzustellen, da jeder Knotenpunkt von mehreren Flächen geteilt wird. Diese Redundanz führt zu übermäßig langen Tokensequenzen und ineffizienten Generierungsprozessen. In diesem Artikel schlagen wir ein effizientes Framework vor, das künstlerische Netze erzeugt, indem Knotenpunkte und Flächen separat behandelt werden, wodurch die Redundanz erheblich reduziert wird. Wir verwenden ein autoregressives Modell ausschließlich für die Generierung von Knotenpunkten, wodurch die Anzahl der Tokens auf etwa 23 % derjenigen reduziert wird, die der kompakteste existierende Tokenizer benötigt. Anschließend nutzen wir einen bidirektionalen Transformer, um das Netz in einem einzigen Schritt zu vervollständigen, indem wir Beziehungen zwischen den Knotenpunkten erfassen und die Adjazenzmatrix konstruieren, die die Netzflächen definiert. Um die Generierungsqualität weiter zu verbessern, führen wir einen Treueverstärker ein, der die Positionierung der Knotenpunkte in natürlichere Anordnungen verfeinert, und schlagen ein Nachbearbeitungsframework vor, um unerwünschte Kantenverbindungen zu entfernen. Experimentelle Ergebnisse zeigen, dass unsere Methode eine mehr als 8-fache Geschwindigkeit bei der Netzgenerierung im Vergleich zu modernsten Ansätzen erreicht, während sie eine höhere Netzqualität erzeugt.

English

Recent mesh generation approaches typically tokenize triangle meshes into sequences of tokens and train autoregressive models to generate these tokens sequentially. Despite substantial progress, such token sequences inevitably reuse vertices multiple times to fully represent manifold meshes, as each vertex is shared by multiple faces. This redundancy leads to excessively long token sequences and inefficient generation processes. In this paper, we propose an efficient framework that generates artistic meshes by treating vertices and faces separately, significantly reducing redundancy. We employ an autoregressive model solely for vertex generation, decreasing the token count to approximately 23\% of that required by the most compact existing tokenizer. Next, we leverage a bidirectional transformer to complete the mesh in a single step by capturing inter-vertex relationships and constructing the adjacency matrix that defines the mesh faces. To further improve the generation quality, we introduce a fidelity enhancer to refine vertex positioning into more natural arrangements and propose a post-processing framework to remove undesirable edge connections. Experimental results show that our method achieves more than 8times faster speed on mesh generation compared to state-of-the-art approaches, while producing higher mesh quality.