PolyFlow: Continue Topologie Embedding Flow Matching voor Kunstenaarstijl Mesh Generatie

Samenvatting

Autoregressieve Transformators domineren hoogwaardige meshgeneratie door kunstenaarwaardige topologieën te produceren, maar hun inherente sequentiële decodering brengt aanzienlijke computationele overhead met zich mee, wat ordes van grootte langzamer is dan parallelle generatieve modellen. Anderzijds, hoewel continue diffusie- en stroom-matchingmethoden efficiënte parallelle synthese ondersteunen in een verscheidenheid aan domeinen, kunnen ze niet direct worden toegepast op meshes: mesh-connectiviteit is inherent discreet en onverenigbaar met standaard continue ruisinjectie- en ontruisingsoperaties. Om deze fundamentele onverenigbaarheid op te lossen, introduceren we een compacte topologie-inbedder die discrete mesh-vertexposities en normalen projecteert in continue per-vertex-inbeddingen, waar de oorspronkelijke discrete aangrenzendheidsinformatie getrouw kan worden teruggewonnen via afstandsdrempel in ruimtetijd. Na het vooraf trainen en bevriezen van deze inbedder, kan elke ruwe mesh volledig worden omgezet in een continue per-vertex-toestandsruimte die positie, normaal en impliciete topologische attributen verenigt. Gebouwd op deze nieuwe continue meshrepresentatie presenteren we PolyFlow, een op Transformator gebaseerd stroom-matchingraamwerk dat volledig parallelle vertex-toestandsontruising bereikt, geconditioneerd op geëxtraheerde puntenwolkkenmerken. Tijdens inferentie voltooit ons model de generatie snel via een ODE-oplosser en ondersteunt het expliciete, precieze controle over de uitvoermeshresolutie door direct het doelvertexaantal te specificeren. Uitgebreide evaluaties op de Toys4K-benchmark tonen aan dat PolyFlow de state-of-the-art autoregressieve basislijnen overtreft in zowel Chamfer-afstand als Hausdorff-afstand.

English

Autoregressive Transformers dominate high-quality mesh generation by producing artist-worthy topologies, yet their inherent sequential decoding induces substantial computational overhead, falling orders of magnitude slower than parallel generative models. On the other hand, while continuous diffusion and flow-matching methods support efficient parallel synthesis across a variety of domains, they cannot be directly applied to meshes: mesh connectivity is inherently discrete and incompatible with standard continuous noise injection and denoising operations. To resolve this fundamental incompatibility, we introduce a compact topology embedder that projects discrete mesh vertex positions and normals into continuous per-vertex embeddings, where the original discrete adjacency information can be faithfully recovered via spacetime distance thresholding. After pretraining and freezing this embedder, any raw mesh can be fully converted into a continuous per-vertex state space unifying position, normal, and implicit topological attributes. Built upon this novel continuous mesh representation, we present PolyFlow, a Transformer-based flow-matching framework that achieves fully parallel vertex state denoising conditioned on extracted point-cloud features. During inference, our model completes generation rapidly via an ODE solver, and supports explicit, precise control over output mesh resolution by directly specifying the target vertex count. Extensive evaluations on the Toys4K benchmark demonstrate that PolyFlow surpasses state-of-the-art autoregressive baselines in both Chamfer Distance and Hausdorff Distance.