論文の概要: TreeMeshGPT: Artistic Mesh Generation with Autoregressive Tree Sequencing

• arxiv url: http://arxiv.org/abs/2503.11629v1
• Date: Fri, 14 Mar 2025 17:48:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-17 13:05:33.637120
• Title: TreeMeshGPT: Artistic Mesh Generation with Autoregressive Tree Sequencing
• Title（参考訳）: TreeMeshGPT: 自己回帰木シークエンシングによるアートメッシュ生成
• Authors: Stefan Lionar, Jiabin Liang, Gim Hee Lee,
• Abstract要約: TreeMeshGPTは、入力ポイントクラウドに整列した芸術的メッシュを生成するように設計された自動回帰変換器である。 提案手法は,2つのトークンを持つ三角形の面をそれぞれ表現し,圧縮率を約22%とする。 提案手法は,従来手法でよく見られたフリップ正規化を最小化しながら,強い正規配向制約を持つメッシュを生成する。
• 参考スコア（独自算出の注目度）: 47.919057306538626
• License:
• Abstract: We introduce TreeMeshGPT, an autoregressive Transformer designed to generate high-quality artistic meshes aligned with input point clouds. Instead of the conventional next-token prediction in autoregressive Transformer, we propose a novel Autoregressive Tree Sequencing where the next input token is retrieved from a dynamically growing tree structure that is built upon the triangle adjacency of faces within the mesh. Our sequencing enables the mesh to extend locally from the last generated triangular face at each step, and therefore reduces training difficulty and improves mesh quality. Our approach represents each triangular face with two tokens, achieving a compression rate of approximately 22% compared to the naive face tokenization. This efficient tokenization enables our model to generate highly detailed artistic meshes with strong point cloud conditioning, surpassing previous methods in both capacity and fidelity. Furthermore, our method generates mesh with strong normal orientation constraints, minimizing flipped normals commonly encountered in previous methods. Our experiments show that TreeMeshGPT enhances the mesh generation quality with refined details and normal orientation consistency.
• Abstract（参考訳）: 入力点雲に整合した高品質な芸術メッシュを生成するために設計された自動回帰変換器であるTreeMeshGPTを紹介する。 自己回帰変換器における従来の次トーケン予測の代わりに,メッシュ内の顔の三角形の隣接上に構築された動的に成長する木構造から,次の入力トークンを抽出する自動回帰木シーケンシングを提案する。 我々のシーケンシングにより、メッシュは各ステップで最後に生成された三角形の面から局所的に拡張できるため、トレーニングの難しさを低減し、メッシュの品質を向上させることができる。 提案手法は2つのトークンを持つ三角形の面を表現し,その圧縮率は約22%である。 この効率的なトークン化により、当社のモデルは、キャパシティとフィリティの両方において、従来の手法を超越した、強い点の雲条件を持つ高度な芸術的メッシュを生成することができる。 さらに,本手法は,従来の手法でよく見られるフリップ正規化を最小限に抑えながら,強い正規配向制約を持つメッシュを生成する。 実験の結果,TreeMeshGPTは精細度と正規配向の整合性によってメッシュ生成品質を向上させることがわかった。

関連論文リスト

• Nautilus: Locality-aware Autoencoder for Scalable Mesh Generation [46.08876528701562]
  アーティストのようなメッシュ生成のための局所性を考慮したオートエンコーダであるNautilusを提案する。 本手法では,顔の近接関係を保存する新しいトークン化アルゴリズムを提案する。 また,マルチスケールガイダンスを提供するDual-stream Point Conditionerを開発した。
  論文  参考訳（メタデータ） (2025-01-24T08:22:02Z)
• EdgeRunner: Auto-regressive Auto-encoder for Artistic Mesh Generation [36.69567056569989]
  本稿では,最大4,000面の高品質な3Dメッシュを5123ドルの空間解像度で生成できる自動回帰オートエンコーダ(ArAE)モデルを提案する。 本稿では, 3次元メッシュを1次元トークンシーケンスに効率よく圧縮し, トレーニング効率を大幅に向上させる新しいメッシュトークン化アルゴリズムを提案する。 我々のモデルは、可変長の三角形メッシュを固定長の潜在空間に圧縮し、より優れた一般化のための潜在拡散モデルの訓練を可能にする。
  論文  参考訳（メタデータ） (2024-09-26T17:55:02Z)
• MeshAnything V2: Artist-Created Mesh Generation With Adjacent Mesh Tokenization [65.15226276553891]
  MeshAnything V2はArtist-Created Meshを作成するために設計された高度なメッシュ生成モデルである。 MeshAnything V2の背後にある重要なイノベーションは、新しいAdjacent Mesh Tokenization(AMT)メソッドです。
  論文  参考訳（メタデータ） (2024-08-05T15:33:45Z)
• PivotMesh: Generic 3D Mesh Generation via Pivot Vertices Guidance [66.40153183581894]
  汎用的でスケーラブルなメッシュ生成フレームワークであるPivotMeshを紹介します。 PivotMeshは、ネイティブメッシュ生成を大規模データセットに拡張する最初の試みである。 PivotMeshは,様々なカテゴリにまたがって,コンパクトでシャープな3Dメッシュを生成することができることを示す。
  論文  参考訳（メタデータ） (2024-05-27T07:13:13Z)
• HVOFusion: Incremental Mesh Reconstruction Using Hybrid Voxel Octree [12.180935725861723]
  本稿では,オクセル構造とオクセル構造を融合させるハイブリッドなオクセルオクツリー手法を提案する。 このようなスパース構造は葉ノードの三角形の面を保存し、漸進的な再構成のために部分メッシュを逐次生成する。 いくつかのデータセットに対する実験結果から,提案手法は現実的な色でシーンを迅速かつ正確に再構築できることが示された。
  論文  参考訳（メタデータ） (2024-04-27T18:24:53Z)
• MeshGPT: Generating Triangle Meshes with Decoder-Only Transformers [32.169007676811404]
  MeshGPTは、アーティストが作ったメッシュに典型的なコンパクトさを反映した、三角形メッシュを生成するための新しいアプローチである。 近年の強力な大規模言語モデルの発展に触発されて,三角メッシュを三角形として自動回帰的に生成するシーケンスベースアプローチを採用した。
  論文  参考訳（メタデータ） (2023-11-27T01:20:11Z)
• Flexible Isosurface Extraction for Gradient-Based Mesh Optimization [65.76362454554754]
  本研究では、勾配に基づくメッシュ最適化について考察し、スカラー場の等曲面として表現することで、3次元表面メッシュを反復的に最適化する。 我々は、幾何学的、視覚的、あるいは物理的目的に対して未知のメッシュを最適化するために特別に設計された、異面表現であるFlexiCubesを紹介する。
  論文  参考訳（メタデータ） (2023-08-10T06:40:19Z)
• Neural Volumetric Mesh Generator [40.224769507878904]
  新規かつ高品質なボリュームメッシュを生成することができるニューラルボリュームメッシュジェネレータ(NVMG)を提案する。 我々のパイプラインは、ランダムノイズや参照画像から、後処理なしで高品質なアーチファクトフリーのボリュームとサーフェスメッシュを生成することができる。
  論文  参考訳（メタデータ） (2022-10-06T18:46:51Z)
• Mesh Draping: Parametrization-Free Neural Mesh Transfer [92.55503085245304]
  Mesh Drapingは、既存のメッシュ構造をある形状から別の形状に転送するニューラルネットワークである。 我々は、徐々に増加する周波数を活用して、ニューラルネットワークの最適化を導くことにより、安定かつ高品質なメッシュ転送を実現することができることを示す。
  論文  参考訳（メタデータ） (2021-10-11T17:24:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。