FastMesh: Efficiënte Artistieke Mesh-generatie via Componentenontkoppeling

FastMesh:Efficient Artistic Mesh Generation via Component Decoupling

August 26, 2025

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

cs.AI

Samenvatting

Recente benaderingen voor mesh-generatie tokeniseren typisch driehoekige meshes in reeksen van tokens en trainen autoregressieve modellen om deze tokens sequentieel te genereren. Ondanks aanzienlijke vooruitgang, hergebruiken dergelijke tokenreeksen onvermijdelijk vertices meerdere keren om manifold meshes volledig weer te geven, aangezien elke vertex wordt gedeeld door meerdere vlakken. Deze redundantie leidt tot excessief lange tokenreeksen en inefficiënte generatieprocessen. In dit artikel stellen we een efficiënt framework voor dat artistieke meshes genereert door vertices en vlakken afzonderlijk te behandelen, waardoor de redundantie aanzienlijk wordt verminderd. We gebruiken een autoregressief model uitsluitend voor vertex-generatie, waardoor het aantal tokens wordt teruggebracht tot ongeveer 23\% van wat vereist is door de meest compacte bestaande tokenizer. Vervolgens benutten we een bidirectionele transformer om de mesh in één stap te voltooien door inter-vertex relaties vast te leggen en de adjacency matrix te construeren die de mesh-vlakken definieert. Om de generatiekwaliteit verder te verbeteren, introduceren we een fidelity enhancer om de positionering van vertices te verfijnen naar meer natuurlijke arrangementen en stellen we een post-processing framework voor om ongewenste edge-verbindingen te verwijderen. Experimentele resultaten tonen aan dat onze methode meer dan 8 keer sneller is in mesh-generatie vergeleken met state-of-the-art benaderingen, terwijl een hogere mesh-kwaliteit wordt geproduceerd.

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.