PolyFlow : Appariement de flot continu par plongement topologique pour la génération de maillages de style artistique

Résumé

Les Transformers autorégressifs dominent la génération de maillages de haute qualité en produisant des topologies dignes d'artistes, mais leur décodage séquentiel inhérent engendre une surcharge computationnelle substantielle, étant de plusieurs ordres de grandeur plus lents que les modèles génératifs parallèles. D'autre part, bien que les méthodes continues de diffusion et d’appariement de flux (flow matching) permettent une synthèse parallèle efficace dans divers domaines, elles ne peuvent être appliquées directement aux maillages : la connectivité des maillages est intrinsèquement discrète et incompatible avec les opérations standard d’injection de bruit continu et de débruitage. Pour résoudre cette incompatibilité fondamentale, nous introduisons un plongeur de topologie compact qui projette les positions et normales discrètes des sommets du maillage en des plongements continus par sommet, où l’information d’adjacence discrète originale peut être fidèlement retrouvée par un seuillage de distance spatio-temporelle. Après pré-entraînement et gel de ce plongeur, tout maillage brut peut être entièrement converti en un espace d’état continu par sommet unifiant la position, la normale et les attributs topologiques implicites. Construit sur cette nouvelle représentation continue de maillage, nous présentons PolyFlow, un cadre d’appariement de flux basé sur un Transformateur qui réalise un débruitage entièrement parallèle des états sommets conditionné par des caractéristiques extraites du nuage de points. Pendant l’inférence, notre modèle achève rapidement la génération via un solveur d’équations différentielles ordinaires (EDO) et permet un contrôle explicite et précis de la résolution du maillage de sortie en spécifiant directement le nombre cible de sommets. Des évaluations approfondies sur le banc de test Toys4K montrent que PolyFlow surpasse les bases de référence autorégressives de pointe tant en Distance de Chamfer qu’en Distance 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.