PolyFlow: Flujo de Emparejamiento de Incrustaciones de Topología Continua para la Generación de Mallas de Estilo Artístico

Resumen

Los Transformers autorregresivos dominan la generación de mallas de alta calidad al producir topologías dignas de artistas, pero su inherente decodificación secuencial induce una sobrecarga computacional sustancial, siendo órdenes de magnitud más lentos que los modelos generativos paralelos. Por otro lado, si bien los métodos de difusión continua y de emparejamiento de flujo admiten una síntesis paralela eficiente en diversos dominios, no pueden aplicarse directamente a las mallas: la conectividad de la malla es inherentemente discreta e incompatible con las operaciones estándar de inyección de ruido y eliminación de ruido continuas. Para resolver esta incompatibilidad fundamental, introducimos un compacto incrustador de topología que proyecta las posiciones discretas de los vértices de la malla y las normales en incrustaciones continuas por vértice, donde la información de adyacencia discreta original puede recuperarse fielmente mediante umbralización de distancia espacio-temporal. Después de preentrenar y congelar este incrustador, cualquier malla en bruto puede convertirse completamente en un espacio de estado continuo por vértice que unifica posición, normal y atributos topológicos implícitos. Construido sobre esta novedosa representación continua de malla, presentamos PolyFlow, un marco de emparejamiento de flujo basado en Transformers que logra una eliminación de ruido completamente paralela del estado de los vértices condicionada a características extraídas de nubes de puntos. Durante la inferencia, nuestro modelo completa la generación rápidamente mediante un solucionador de EDO, y admite un control explícito y preciso sobre la resolución de la malla de salida al especificar directamente el número de vértices objetivo. Evaluaciones exhaustivas en el punto de referencia Toys4K demuestran que PolyFlow supera a las líneas de base autorregresivas de última generación tanto en Distancia de Chamfer como en Distancia de Hausdorff.

English

Autoregressive Transformers dominate high-quality mesh generation by producing artist-worthy topologies, yet their inherent sequential decoding induces substantial computational overhead, falling orders of magnitude slower than parallel generative models. On the other hand, while continuous diffusion and flow-matching methods support efficient parallel synthesis across a variety of domains, they cannot be directly applied to meshes: mesh connectivity is inherently discrete and incompatible with standard continuous noise injection and denoising operations. To resolve this fundamental incompatibility, we introduce a compact topology embedder that projects discrete mesh vertex positions and normals into continuous per-vertex embeddings, where the original discrete adjacency information can be faithfully recovered via spacetime distance thresholding. After pretraining and freezing this embedder, any raw mesh can be fully converted into a continuous per-vertex state space unifying position, normal, and implicit topological attributes. Built upon this novel continuous mesh representation, we present PolyFlow, a Transformer-based flow-matching framework that achieves fully parallel vertex state denoising conditioned on extracted point-cloud features. During inference, our model completes generation rapidly via an ODE solver, and supports explicit, precise control over output mesh resolution by directly specifying the target vertex count. Extensive evaluations on the Toys4K benchmark demonstrate that PolyFlow surpasses state-of-the-art autoregressive baselines in both Chamfer Distance and Hausdorff Distance.