FastMesh: Geração Eficiente de Malhas Artísticas via Desacoplamento de Componentes

FastMesh:Efficient Artistic Mesh Generation via Component Decoupling

August 26, 2025

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

cs.AI

Resumo

Abordagens recentes de geração de malhas geralmente tokenizam malhas triangulares em sequências de tokens e treinam modelos autoregressivos para gerar esses tokens sequencialmente. Apesar de avanços significativos, essas sequências de tokens inevitavelmente reutilizam vértices múltiplas vezes para representar completamente malhas manifold, já que cada vértice é compartilhado por múltiplas faces. Essa redundância resulta em sequências de tokens excessivamente longas e processos de geração ineficientes. Neste artigo, propomos um framework eficiente que gera malhas artísticas tratando vértices e faces separadamente, reduzindo significativamente a redundância. Empregamos um modelo autoregressivo exclusivamente para a geração de vértices, diminuindo a contagem de tokens para aproximadamente 23% daquela exigida pelo tokenizador mais compacto existente. Em seguida, utilizamos um transformer bidirecional para completar a malha em um único passo, capturando relações inter-vértices e construindo a matriz de adjacência que define as faces da malha. Para melhorar ainda mais a qualidade da geração, introduzimos um aprimorador de fidelidade para refinar o posicionamento dos vértices em arranjos mais naturais e propomos um framework de pós-processamento para remover conexões de aresta indesejáveis. Resultados experimentais mostram que nosso método alcança uma velocidade mais de 8 vezes maior na geração de malhas em comparação com as abordagens state-of-the-art, enquanto produz uma qualidade de malha superior.

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.