FastMesh : Génération efficace de maillages artistiques par découplage des composants

FastMesh:Efficient Artistic Mesh Generation via Component Decoupling

August 26, 2025

papers.authors: Jeonghwan Kim, Yushi Lan, Armando Fortes, Yongwei Chen, Xingang Pan

cs.AI

papers.abstract

Les approches récentes de génération de maillages transforment généralement les maillages triangulaires en séquences de tokens et entraînent des modèles autorégressifs pour générer ces tokens de manière séquentielle. Malgré des progrès significatifs, ces séquences de tokens réutilisent inévitablement les sommets plusieurs fois pour représenter entièrement des maillages variétés, car chaque sommet est partagé par plusieurs faces. Cette redondance entraîne des séquences de tokens excessivement longues et des processus de génération inefficaces. Dans cet article, nous proposons un cadre efficace qui génère des maillages artistiques en traitant séparément les sommets et les faces, réduisant ainsi considérablement la redondance. Nous utilisons un modèle autorégressif uniquement pour la génération des sommets, diminuant le nombre de tokens à environ 23 % de celui requis par le tokeniseur existant le plus compact. Ensuite, nous exploitons un transformateur bidirectionnel pour compléter le maillage en une seule étape en capturant les relations inter-sommets et en construisant la matrice d'adjacence qui définit les faces du maillage. Pour améliorer davantage la qualité de génération, nous introduisons un amplificateur de fidélité pour affiner le positionnement des sommets en des arrangements plus naturels et proposons un cadre de post-traitement pour éliminer les connexions d'arêtes indésirables. Les résultats expérimentaux montrent que notre méthode atteint une vitesse de génération de maillages plus de 8 fois supérieure à celle des approches de pointe, tout en produisant une qualité de maillage supérieure.

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.