FastMesh: Эффективная генерация художественных сеток через разделение компонентов

FastMesh:Efficient Artistic Mesh Generation via Component Decoupling

August 26, 2025

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

cs.AI

Аннотация

Современные подходы к генерации сеток обычно токенизируют треугольные сетки в последовательности токенов и обучают авторегрессионные модели для последовательной генерации этих токенов. Несмотря на значительный прогресс, такие последовательности токенов неизбежно повторно используют вершины для полного представления многообразий сеток, так как каждая вершина принадлежит нескольким граням. Эта избыточность приводит к чрезмерно длинным последовательностям токенов и неэффективным процессам генерации. В данной статье мы предлагаем эффективную структуру, которая генерирует художественные сетки, раздельно обрабатывая вершины и грани, что значительно снижает избыточность. Мы используем авторегрессионную модель исключительно для генерации вершин, сокращая количество токенов до примерно 23% от требуемого самым компактным существующим токенизатором. Затем мы применяем двунаправленный трансформер для завершения сетки за один шаг, учитывая взаимосвязи между вершинами и строя матрицу смежности, которая определяет грани сетки. Для дальнейшего улучшения качества генерации мы вводим усилитель точности, чтобы уточнить позиционирование вершин в более естественные конфигурации, и предлагаем постобработку для удаления нежелательных соединений ребер. Экспериментальные результаты показывают, что наш метод обеспечивает более чем 8-кратное ускорение генерации сеток по сравнению с передовыми подходами, при этом создавая сетки более высокого качества.

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.