Strips as Tokens : Génération de maillages d'artiste avec segmentation UV native
Strips as Tokens: Artist Mesh Generation with Native UV Segmentation
April 10, 2026
Auteurs: Rui Xu, Dafei Qin, Kaichun Qiao, Qiujie Dong, Huaijin Pi, Qixuan Zhang, Longwen Zhang, Lan Xu, Jingyi Yu, Wenping Wang, Taku Komura
cs.AI
Résumé
Les progrès récents des transformeurs autorégressifs ont démontré un potentiel remarquable pour générer des maillages de qualité artistique. Cependant, les stratégies d'ordonnancement des tokens employées par les méthodes existantes échouent généralement à répondre aux standards des artistes professionnels : le tri basé sur les coordonnées produit des séquences inefficacement longues, tandis que les heuristiques par patchs perturbent le flux continu des arêtes et la régularité structurelle essentiels à une modélisation de haute qualité. Pour résoudre ces limitations, nous proposons Strips as Tokens (SATO), un nouveau cadre doté d'une stratégie d'ordonnancement inspirée des bandes de triangles. En construisant la séquence comme une chaîne connectée de faces qui encode explicitement les limites UV, notre méthode préserve naturellement le flux organisé des arêtes et la disposition sémantique caractéristiques des maillages créés par les artistes. Un avantage clé de cette formulation est sa représentation unifiée, permettant à la même séquence de tokens d'être décodée en un maillage triangulaire ou quadrilatéral. Cette flexibilité facilite l'apprentissage conjoint sur les deux types de données : les données triangulaires à grande échelle fournissent des prérequis structurels fondamentaux, tandis que les données quad de haute qualité améliorent la régularité géométrique des sorties. Des expériences approfondies démontrent que SATO surpasse constamment les méthodes antérieures en termes de qualité géométrique, de cohérence structurelle et de segmentation UV.
English
Recent advancements in autoregressive transformers have demonstrated remarkable potential for generating artist-quality meshes. However, the token ordering strategies employed by existing methods typically fail to meet professional artist standards, where coordinate-based sorting yields inefficiently long sequences, and patch-based heuristics disrupt the continuous edge flow and structural regularity essential for high-quality modeling. To address these limitations, we propose Strips as Tokens (SATO), a novel framework with a token ordering strategy inspired by triangle strips. By constructing the sequence as a connected chain of faces that explicitly encodes UV boundaries, our method naturally preserves the organized edge flow and semantic layout characteristic of artist-created meshes. A key advantage of this formulation is its unified representation, enabling the same token sequence to be decoded into either a triangle or quadrilateral mesh. This flexibility facilitates joint training on both data types: large-scale triangle data provides fundamental structural priors, while high-quality quad data enhances the geometric regularity of the outputs. Extensive experiments demonstrate that SATO consistently outperforms prior methods in terms of geometric quality, structural coherence, and UV segmentation.