FastMesh: Generazione Efficiente di Mesh Artistiche tramite Decoupling delle Componenti

FastMesh:Efficient Artistic Mesh Generation via Component Decoupling

August 26, 2025

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

cs.AI

Abstract

I recenti approcci alla generazione di mesh tipicamente tokenizzano le mesh triangolari in sequenze di token e addestrano modelli autoregressivi per generare questi token in modo sequenziale. Nonostante i notevoli progressi, tali sequenze di token riutilizzano inevitabilmente i vertici più volte per rappresentare completamente le mesh manifold, poiché ogni vertice è condiviso da più facce. Questa ridondanza porta a sequenze di token eccessivamente lunghe e a processi di generazione inefficienti. In questo articolo, proponiamo un framework efficiente che genera mesh artistiche trattando separatamente vertici e facce, riducendo significativamente la ridondanza. Utilizziamo un modello autoregressivo esclusivamente per la generazione dei vertici, diminuendo il numero di token a circa il 23\% di quello richiesto dal tokenizer esistente più compatto. Successivamente, sfruttiamo un trasformatore bidirezionale per completare la mesh in un unico passo, catturando le relazioni tra i vertici e costruendo la matrice di adiacenza che definisce le facce della mesh. Per migliorare ulteriormente la qualità della generazione, introduciamo un potenziatore di fedeltà per affinare il posizionamento dei vertici in arrangiamenti più naturali e proponiamo un framework di post-processing per rimuovere connessioni di bordo indesiderate. I risultati sperimentali dimostrano che il nostro metodo raggiunge una velocità di generazione delle mesh più di 8 volte superiore rispetto agli approcci all'avanguardia, producendo al contempo una qualità delle mesh più elevata.

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.