FastMesh: Generación Eficiente de Mallas Artísticas mediante Desacoplamiento de Componentes

FastMesh:Efficient Artistic Mesh Generation via Component Decoupling

August 26, 2025

Autores: Jeonghwan Kim, Yushi Lan, Armando Fortes, Yongwei Chen, Xingang Pan

cs.AI

Resumen

Los enfoques recientes de generación de mallas suelen tokenizar mallas triangulares en secuencias de tokens y entrenar modelos autoregresivos para generar estos tokens de manera secuencial. A pesar de los avances significativos, estas secuencias de tokens inevitablemente reutilizan vértices múltiples veces para representar completamente mallas múltiples, ya que cada vértice es compartido por varias caras. Esta redundancia conduce a secuencias de tokens excesivamente largas y procesos de generación ineficientes. En este artículo, proponemos un marco eficiente que genera mallas artísticas tratando vértices y caras por separado, reduciendo significativamente la redundancia. Empleamos un modelo autoregresivo exclusivamente para la generación de vértices, disminuyendo el número de tokens a aproximadamente el 23\% de lo requerido por el tokenizador más compacto existente. Luego, aprovechamos un transformador bidireccional para completar la malla en un solo paso, capturando las relaciones entre vértices y construyendo la matriz de adyacencia que define las caras de la malla. Para mejorar aún más la calidad de la generación, introducimos un potenciador de fidelidad para refinar la posición de los vértices en arreglos más naturales y proponemos un marco de post-procesamiento para eliminar conexiones de aristas no deseadas. Los resultados experimentales muestran que nuestro método logra una velocidad más de 8 veces mayor en la generación de mallas en comparación con los enfoques más avanzados, mientras produce una calidad de malla superior.

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.