論文の概要: FreeMesh: Boosting Mesh Generation with Coordinates Merging

• arxiv url: http://arxiv.org/abs/2505.13573v1
• Date: Mon, 19 May 2025 13:52:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:52.452133
• Title: FreeMesh: Boosting Mesh Generation with Coordinates Merging
• Title（参考訳）: FreeMesh: コーディネートマージによるメッシュ生成の強化
• Authors: Jian Liu, Haohan Weng, Biwen Lei, Xianghui Yang, Zibo Zhao, Zhuo Chen, Song Guo, Tao Han, Chunchao Guo,
• Abstract要約: 我々は,既存のメッシュトークン化器を理論的にトレーニングなしで評価するために,PTME(Per-Token-Mesh-Entropy)を新たに導入した。 PTMEに基づいて,座標マージと呼ばれるプラグアンドプレイトークン化手法を提案する。
• 参考スコア（独自算出の注目度）: 18.617526510289682
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The next-coordinate prediction paradigm has emerged as the de facto standard in current auto-regressive mesh generation methods. Despite their effectiveness, there is no efficient measurement for the various tokenizers that serialize meshes into sequences. In this paper, we introduce a new metric Per-Token-Mesh-Entropy (PTME) to evaluate the existing mesh tokenizers theoretically without any training. Building upon PTME, we propose a plug-and-play tokenization technique called coordinate merging. It further improves the compression ratios of existing tokenizers by rearranging and merging the most frequent patterns of coordinates. Through experiments on various tokenization methods like MeshXL, MeshAnything V2, and Edgerunner, we further validate the performance of our method. We hope that the proposed PTME and coordinate merging can enhance the existing mesh tokenizers and guide the further development of native mesh generation.
• Abstract（参考訳）: 次コーディネート予測パラダイムは、現在の自動回帰メッシュ生成手法におけるデファクトスタンダードとして登場した。 その効果にもかかわらず、メッシュをシーケンスにシリアライズする様々なトークン化剤の効率的な測定は存在しない。 本稿では,既存のメッシュトークン化器を理論上,トレーニングなしで評価するために,PTME(Per-Token-Mesh-Entropy)を新たに導入する。 PTMEに基づいて,座標マージと呼ばれるプラグアンドプレイトークン化手法を提案する。 これは、座標の最も頻繁なパターンを並べ替え、マージすることによって、既存のトークン化器の圧縮比をさらに改善する。 MeshXLやMeshAnything V2,Edgerunnerなど,さまざまなトークン化手法の実験を通じて,本手法の性能をさらに検証した。 提案するPTMEとコーディネートマージによって,既存のメッシュトークン化機構が強化され,ネイティブメッシュ生成のさらなる発展が促進されることを期待する。

関連論文リスト

• 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)
• Scaling up Dynamic Edge Partition Models via Stochastic Gradient MCMC [33.08344607564694]
  エッジ分割モデル (EPM) は静的グラフ構造データから重なり合うコミュニティ構造を抽出する生成モデルである。 多くの魅力的な性質があるにもかかわらず、EMMの推論は通常、マルコフ連鎖モンテカルロ (MCMC) 法を用いて行われ、大規模なネットワークデータに適用されないようにしている。
  論文  参考訳（メタデータ） (2024-02-29T15:19:35Z)
• Token Fusion: Bridging the Gap between Token Pruning and Token Merging [71.84591084401458]
  ビジョントランスフォーマー(ViT)はコンピュータビジョンの強力なバックボーンとして登場し、多くの伝統的なCNNを上回っている。 計算オーバーヘッドは、主に自己アテンション機構によるもので、リソース制約のあるエッジデバイスへのデプロイが困難になる。 トークンプルーニングとトークンマージの両方のメリットを両立させる手法であるToken Fusion(ToFu)を紹介する。
  論文  参考訳（メタデータ） (2023-12-02T04:29:19Z)
• 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)
• GD-MAE: Generative Decoder for MAE Pre-training on LiDAR Point Clouds [72.60362979456035]
  Masked Autoencoders (MAE)は、大規模な3Dポイントクラウドでの探索が難しい。 我々は,周囲のコンテキストを自動的にマージするためのtextbfGenerative textbfDecoder for MAE (GD-MAE)を提案する。 提案手法の有効性を, KITTI と ONCE の2つの大規模ベンチマークで実証した。
  論文  参考訳（メタデータ） (2022-12-06T14:32:55Z)

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。