FastMesh: 컴포넌트 분리를 통한 효율적인 예술적 메시 생성

FastMesh:Efficient Artistic Mesh Generation via Component Decoupling

August 26, 2025

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

cs.AI

초록

최근의 메시 생성 접근법은 일반적으로 삼각형 메시를 토큰 시퀀스로 토큰화하고, 이러한 토큰을 순차적으로 생성하기 위해 자기회귀 모델을 학습시킵니다. 상당한 진전이 있었음에도 불구하고, 이러한 토큰 시퀀스는 매니폴드 메시를 완전히 표현하기 위해 필연적으로 정점을 여러 번 재사용합니다. 이는 각 정점이 여러 면에 의해 공유되기 때문입니다. 이러한 중복성은 과도하게 긴 토큰 시퀀스와 비효율적인 생성 프로세스로 이어집니다. 본 논문에서는 정점과 면을 별도로 처리하여 중복성을 크게 줄이는 효율적인 프레임워크를 제안합니다. 우리는 정점 생성에만 자기회귀 모델을 사용하여, 가장 간결한 기존 토큰화 방법에 필요한 토큰 수의 약 23%로 토큰 수를 줄입니다. 다음으로, 양방향 트랜스포머를 활용하여 정점 간의 관계를 포착하고 메시 면을 정의하는 인접 행렬을 구성함으로써 메시를 한 단계로 완성합니다. 생성 품질을 더욱 향상시키기 위해, 우리는 정점 위치를 더 자연스러운 배열로 정제하는 충실도 향상기를 도입하고, 바람직하지 않은 에지 연결을 제거하기 위한 후처리 프레임워크를 제안합니다. 실험 결과는 우리의 방법이 최신 접근법에 비해 메시 생성 속도가 8배 이상 빠르면서도 더 높은 메시 품질을 달성함을 보여줍니다.

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.