MeshFlow: Generación de Mallas con Emparejamiento de Flujo Equivariante

Resumen

Las mallas se encuentran entre las representaciones de escenas 3D más comunes, pero generarlas directamente es un desafío porque la representación contiene simetrías importantes, incluida la invariancia a permutaciones de caras y vértices. MeshFlow aprende a generar mallas triangulares directamente como sopas de triángulos, evitando la necesidad de serializar las mallas en largas secuencias autorregresivas. Adoptamos modelos de flujo con transporte óptimo equivariante que respetan las simetrías clave de las sopas de triángulos: permutaciones arbitrarias de caras y permutaciones de los vértices dentro de cada cara. Con este objetivo, proponemos una modificación simple pero efectiva de la arquitectura Diffusion Transformer, dando como resultado una red escalable capaz de modelar un campo de velocidad mientras mantiene la equivariancia deseada. Además, introducimos un objetivo de entrenamiento basado en transporte óptimo que mejora la convergencia al eliminar señales de supervisión que violan estas simetrías. MeshFlow logra una calidad de malla comparable a los generadores autorregresivos de última generación, al tiempo que proporciona una aceleración de aproximadamente 18 veces durante la inferencia. La página del proyecto está en https://qiisun.github.io/MeshFlow/.

English

Meshes are among the most common 3D scene representations, but directly generating meshes is challenging because the representation contains important symmetries, including permutation invariance of faces and vertices. MeshFlow learns to generate triangle meshes directly as triangle soups, avoiding the need to serialize meshes into long autoregressive sequences. We adopt equivariant optimal-transport flow matching models that respect the key symmetries of triangle soups: arbitrary permutations of faces and permutations of the vertices within each face. Toward this goal, we propose a simple yet effective modification to the Diffusion Transformer architecture, resulting in a scalable network capable of modeling a velocity field while maintaining the desired equivariance. We further introduce an optimal-transport-based training objective that improves convergence by eliminating supervision signals that violate these symmetries. MeshFlow achieves mesh quality comparable to state-of-the-art autoregressive mesh generators while providing about an 18times speedup during inference. Project page is at https://qiisun.github.io/MeshFlow/.