Strips als Tokens: Artist Mesh Generatie met Ingebouwde UV-segmentatie
Strips as Tokens: Artist Mesh Generation with Native UV Segmentation
April 10, 2026
Auteurs: Rui Xu, Dafei Qin, Kaichun Qiao, Qiujie Dong, Huaijin Pi, Qixuan Zhang, Longwen Zhang, Lan Xu, Jingyi Yu, Wenping Wang, Taku Komura
cs.AI
Samenvatting
Recente vooruitgang in autoregressieve transformatoren heeft een opmerkelijk potentieel getoond voor het genereren van meshes van artistieke kwaliteit. De tokenordestrategieën die door bestaande methoden worden gebruikt, voldoen echter doorgaans niet aan professionele artistieke standaarden: op coördinaten gebaseerde sortering leidt tot inefficiënt lange sequenties, en op patches gebaseerde heuristieken verstoren de continue edge-flow en structurele regelmaat die essentieel zijn voor hoogwaardige modellering. Om deze beperkingen aan te pakken, stellen wij Strips as Tokens (SATO) voor, een nieuw raamwerk met een tokenordestrategie geïnspireerd op driehoekstrips. Door de sequentie op te bouwen als een verbonden keten van vlakken die UV-grenzen expliciet encodeert, behoudt onze methode van nature de georganiseerde edge-flow en semantische lay-out die kenmerkend zijn voor door artiesten gemaakte meshes. Een belangrijk voordeel van deze formulering is de verenigde representatie, waardoor dezelfde tokensequentie kan worden gedecodeerd naar een driehoeks- of vierhoeksmesh. Deze flexibiliteit maakt gezamenlijke training op beide datatypen mogelijk: grootschalige driehoeksdata verschaft fundamentele structurele priors, terwijl hoogwaardige quaddata de geometrische regelmaat van de outputs verbetert. Uitgebreide experimenten tonen aan dat SATO consistente betere prestaties levert dan eerdere methoden wat betreft geometrische kwaliteit, structurele samenhang en UV-segmentatie.
English
Recent advancements in autoregressive transformers have demonstrated remarkable potential for generating artist-quality meshes. However, the token ordering strategies employed by existing methods typically fail to meet professional artist standards, where coordinate-based sorting yields inefficiently long sequences, and patch-based heuristics disrupt the continuous edge flow and structural regularity essential for high-quality modeling. To address these limitations, we propose Strips as Tokens (SATO), a novel framework with a token ordering strategy inspired by triangle strips. By constructing the sequence as a connected chain of faces that explicitly encodes UV boundaries, our method naturally preserves the organized edge flow and semantic layout characteristic of artist-created meshes. A key advantage of this formulation is its unified representation, enabling the same token sequence to be decoded into either a triangle or quadrilateral mesh. This flexibility facilitates joint training on both data types: large-scale triangle data provides fundamental structural priors, while high-quality quad data enhances the geometric regularity of the outputs. Extensive experiments demonstrate that SATO consistently outperforms prior methods in terms of geometric quality, structural coherence, and UV segmentation.