MeshFlow: 등변 흐름 매칭을 이용한 메시 생성

초록

메시는 가장 일반적인 3D 장면 표현 중 하나이지만, 표현이 면과 정점의 순열 불변성을 포함한 중요한 대칭성을 지니기 때문에 메시를 직접 생성하는 것은 어렵다. MeshFlow는 삼각형 메시를 삼각형 수프로 직접 생성하도록 학습하여, 메시를 긴 자기회귀 시퀀스로 직렬화할 필요를 없앤다. 우리는 삼각형 수프의 주요 대칭성, 즉 면의 임의 순열과 각 면 내 정점의 순열을 존중하는 동변 최적 수송 흐름 정합 모델을 채택한다. 이 목표를 위해, 우리는 확산 트랜스포머 아키텍처에 간단하면서도 효과적인 수정을 제안하여, 원하는 동변성을 유지하면서 속도장을 모델링할 수 있는 확장 가능한 네트워크를 구현한다. 또한 이러한 대칭성을 위반하는 감독 신호를 제거함으로써 수렴을 개선하는 최적 수송 기반 훈련 목적 함수를 도입한다. MeshFlow는 최신 자기회귀 메시 생성기와 비교할 만한 메시 품질을 달성하면서 추론 시 약 18배의 속도 향상을 제공한다. 프로젝트 페이지는 https://qiisun.github.io/MeshFlow/이다.

English

Meshes are among the most common 3D scene representations, but directly generating meshes is challenging because the representation contains important symmetries, including permutation invariance of faces and vertices. MeshFlow learns to generate triangle meshes directly as triangle soups, avoiding the need to serialize meshes into long autoregressive sequences. We adopt equivariant optimal-transport flow matching models that respect the key symmetries of triangle soups: arbitrary permutations of faces and permutations of the vertices within each face. Toward this goal, we propose a simple yet effective modification to the Diffusion Transformer architecture, resulting in a scalable network capable of modeling a velocity field while maintaining the desired equivariance. We further introduce an optimal-transport-based training objective that improves convergence by eliminating supervision signals that violate these symmetries. MeshFlow achieves mesh quality comparable to state-of-the-art autoregressive mesh generators while providing about an 18times speedup during inference. Project page is at https://qiisun.github.io/MeshFlow/.