Полосы как токены: генерация сетки художника с нативной UV-сегментацией
Strips as Tokens: Artist Mesh Generation with Native UV Segmentation
April 10, 2026
Авторы: Rui Xu, Dafei Qin, Kaichun Qiao, Qiujie Dong, Huaijin Pi, Qixuan Zhang, Longwen Zhang, Lan Xu, Jingyi Yu, Wenping Wang, Taku Komura
cs.AI
Аннотация
Последние достижения в области авторегрессивных транссформеров продемонстрировали значительный потенциал для генерации сеток качества, соответствующего требованиям художников. Однако стратегии упорядочивания токенов, используемые существующими методами, как правило, не соответствуют профессиональным стандартам: сортировка на основе координат приводит к неэффективно длинным последовательностям, а эвристики, основанные на патчах, нарушают непрерывный поток рёбер и структурную регулярность, необходимые для высококачественного моделирования. Для решения этих проблем мы предлагаем Strips as Tokens (SATO) — новую структуру со стратегией упорядочивания токенов, вдохновлённую треугольными полосами (triangle strips). Формируя последовательность как связанную цепочку граней, которая явно кодирует UV-границы, наш метод естественным образом сохраняет организованный поток рёбер и семантическую компоновку, характерные для сеток, созданных художниками. Ключевое преимущество этого подхода — унифицированное представление, позволяющее декодировать одну и ту же последовательность токенов как в треугольную, так и в quadrilateral сетку. Эта гибкость обеспечивает возможность совместного обучения на обоих типах данных: крупномасштабные данные с треугольниками предоставляют фундаментальные структурные априорные знания, а высококачественные данные с quadrilateral улучшают геометрическую регулярность результатов. Многочисленные эксперименты показывают, что SATO последовательно превосходит предыдущие методы по геометрическому качеству, структурной согласованности и UV-сегментации.
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.