論文の概要: Mesh-RFT: Enhancing Mesh Generation via Fine-grained Reinforcement Fine-Tuning

• arxiv url: http://arxiv.org/abs/2505.16761v1
• Date: Thu, 22 May 2025 15:04:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.380462
• Title: Mesh-RFT: Enhancing Mesh Generation via Fine-grained Reinforcement Fine-Tuning
• Title（参考訳）: Mesh-RFT: きめ細粒化微細調整によるメッシュ生成の強化
• Authors: Jian Liu, Jing Xu, Song Guo, Jing Li, Jingfeng Guo, Jiaao Yu, Haohan Weng, Biwen Lei, Xianghui Yang, Zhuo Chen, Fangqi Zhu, Tao Han, Chunchao Guo,
• Abstract要約: Mesh-RFTは、3Dメッシュ生成のための新しい微細化強化微調整フレームワークである。 幾何学的整合性と位相規則性を評価するために,客観的なトポロジ対応スコアリングシステムを導入する。 実験の結果、Mesh-RFTのM-DPOアプローチはハウスドルフ距離(HD)を24.6%削減し、事前訓練されたモデルよりも3.8%改善した。
• 参考スコア（独自算出の注目度）: 22.21072219878151
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing pretrained models for 3D mesh generation often suffer from data biases and produce low-quality results, while global reinforcement learning (RL) methods rely on object-level rewards that struggle to capture local structure details. To address these challenges, we present \textbf{Mesh-RFT}, a novel fine-grained reinforcement fine-tuning framework that employs Masked Direct Preference Optimization (M-DPO) to enable localized refinement via quality-aware face masking. To facilitate efficient quality evaluation, we introduce an objective topology-aware scoring system to evaluate geometric integrity and topological regularity at both object and face levels through two metrics: Boundary Edge Ratio (BER) and Topology Score (TS). By integrating these metrics into a fine-grained RL strategy, Mesh-RFT becomes the first method to optimize mesh quality at the granularity of individual faces, resolving localized errors while preserving global coherence. Experiment results show that our M-DPO approach reduces Hausdorff Distance (HD) by 24.6\% and improves Topology Score (TS) by 3.8\% over pre-trained models, while outperforming global DPO methods with a 17.4\% HD reduction and 4.9\% TS gain. These results demonstrate Mesh-RFT's ability to improve geometric integrity and topological regularity, achieving new state-of-the-art performance in production-ready mesh generation. Project Page: \href{https://hitcslj.github.io/mesh-rft/}{this https URL}.
• Abstract（参考訳）: 既存の3Dメッシュ生成のトレーニング済みモデルは、しばしばデータバイアスに悩まされ、低品質な結果をもたらすが、グローバル強化学習(RL)の手法は、局所構造の詳細を捉えるのに苦労するオブジェクトレベルの報酬に依存している。 これらの課題に対処するために,Masked Direct Preference Optimization (M-DPO) を応用し,高品質な顔マスクによる局所的改善を実現する,新しい微細化強化微調整フレームワークである \textbf{Mesh-RFT} を提案する。 品質評価の効率化を目的として,境界エッジ比 (BER) とトポロジスコア (TS) の2つの指標を用いて, 物体および顔の幾何的整合性と位相正則性を評価する客観的トポロジ対応スコアシステムを導入した。 これらのメトリクスを粒度の細かいRL戦略に統合することにより、Mesh-RFTは個々の顔の粒度のメッシュ品質を最適化し、グローバルコヒーレンスを維持しながら局所的なエラーを解消する最初の方法となる。 実験の結果,M-DPO法では,Hausdorff Distance (HD) が24.6\%,Topology Score (TS) が3.8\%,グローバルDPO法が17.4\%,TSゲインが4.9\%であった。 これらの結果は、メッシュ-RFTが幾何整合性と位相規則性を向上させる能力を示し、プロダクション対応メッシュ生成における新しい最先端性能を実現する。 プロジェクトページ: \href{https://hitcslj.github.io/mesh-rft/}{this https URL}。

関連論文リスト

• DeepMesh: Auto-Regressive Artist-mesh Creation with Reinforcement Learning [21.77406648840365]
  DeepMeshは、2つの重要なイノベーションを通じてメッシュ生成を最適化するフレームワークである。 データキュレーションと処理の改善とともに、新しいトークン化アルゴリズムが組み込まれている。 複雑な詳細と正確なトポロジを持つメッシュを生成し、精度と品質の両方で最先端の手法より優れています。
  論文  参考訳（メタデータ） (2025-03-19T14:39:30Z)
• ConvMesh: Reimagining Mesh Quality Through Convex Optimization [55.2480439325792]
  本研究では、既存のメッシュを強化するために、規律付き凸プログラミングと呼ばれる凸最適化プログラミングを導入する。 元々のメッシュとターゲットのメッシュの両方から分離されたポイントクラウドに注目することにより、この手法は、最小限のデータ要求でメッシュ品質を大幅に改善することを示す。
  論文  参考訳（メタデータ） (2024-12-11T15:48:25Z)
• MonoGSDF: Exploring Monocular Geometric Cues for Gaussian Splatting-Guided Implicit Surface Reconstruction [84.07233691641193]
  高品質な再構成のための神経信号距離場(SDF)とプリミティブを結合する新しい手法であるMonoGSDFを紹介する。 任意のスケールのシーンを扱うために,ロバストな一般化のためのスケーリング戦略を提案する。 実世界のデータセットの実験は、効率を保ちながら、以前の方法よりも優れています。
  論文  参考訳（メタデータ） (2024-11-25T20:07:07Z)
• DGTR: Distributed Gaussian Turbo-Reconstruction for Sparse-View Vast Scenes [81.56206845824572]
  新規ビュー合成(NVS)アプローチは、広大なシーン再構築において重要な役割を担っている。 大規模な環境下では、復元の質が悪くなる場合が少なくない。 本稿では,スパース・ビュー・ワイド・シーンのための効率的なガウス再構成のための分散フレームワークであるDGTRを提案する。
  論文  参考訳（メタデータ） (2024-11-19T07:51:44Z)
• SR-Stereo & DAPE: Stepwise Regression and Pre-trained Edges for Practical Stereo Matching [2.8908326904081334]
  ドメインの相違を克服する新しい段階的回帰アーキテクチャを提案する。 疎基底真理で新しいドメインを適応するモデルのエッジ認識を高めるために,事前学習エッジ(DAPE)に基づくドメイン適応を提案する。 提案したSR-StereoとDAPEは,SceneFlow,KITTI,Middbury 2014,ETH3Dで広く評価されている。
  論文  参考訳（メタデータ） (2024-06-11T05:25:25Z)
• E$^3$-Net: Efficient E(3)-Equivariant Normal Estimation Network [47.77270862087191]
  正規推定のための等価性を実現するために,E3-Netを提案する。 本稿では,この作業に必要なトレーニングリソースを,従来の作業の1/8に大幅に削減する,効率的なランダムフレーム手法を提案する。 提案手法は, 合成と実世界の両方のデータセットにおいて優れた結果が得られ, 最先端技術よりもかなり優れている。
  論文  参考訳（メタデータ） (2024-06-01T07:53:36Z)
• Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
  グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。 FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。 ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-19T18:00:15Z)
• Learning Nonparametric Human Mesh Reconstruction from a Single Image without Ground Truth Meshes [56.27436157101251]
  そこで本研究では,人間のメッシュ再構築を基礎となる真理メッシュを使わずに学習する手法を提案する。 これはグラフ畳み込みニューラルネットワーク(Graph CNN)の損失関数に2つの新しい用語を導入することで実現される。
  論文  参考訳（メタデータ） (2020-02-28T20:30:07Z)

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。