論文の概要: FlashMesh: Faster and Better Autoregressive Mesh Synthesis via Structured Speculation

• arxiv url: http://arxiv.org/abs/2511.15618v1
• Date: Wed, 19 Nov 2025 17:03:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.911215
• Title: FlashMesh: Faster and Better Autoregressive Mesh Synthesis via Structured Speculation
• Title（参考訳）: FlashMesh: 構造化推測による高速で優れた自動回帰メッシュ合成
• Authors: Tingrui Shen, Yiheng Zhang, Chen Tang, Chuan Ping, Zixing Zhao, Le Wan, Yuwang Wang, Ronggang Wang, Shengfeng He,
• Abstract要約: FlashMeshは高速かつ高忠実なメッシュ生成フレームワークである。 我々は、FlashMeshが標準の自己回帰モデルよりも最大2倍のスピードアップを達成することを示す。
• 参考スコア（独自算出の注目度）: 65.3277633028397
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autoregressive models can generate high-quality 3D meshes by sequentially producing vertices and faces, but their token-by-token decoding results in slow inference, limiting practical use in interactive and large-scale applications. We present FlashMesh, a fast and high-fidelity mesh generation framework that rethinks autoregressive decoding through a predict-correct-verify paradigm. The key insight is that mesh tokens exhibit strong structural and geometric correlations that enable confident multi-token speculation. FlashMesh leverages this by introducing a speculative decoding scheme tailored to the commonly used hourglass transformer architecture, enabling parallel prediction across face, point, and coordinate levels. Extensive experiments show that FlashMesh achieves up to a 2 x speedup over standard autoregressive models while also improving generation fidelity. Our results demonstrate that structural priors in mesh data can be systematically harnessed to accelerate and enhance autoregressive generation.
• Abstract（参考訳）: 自動回帰モデルは頂点と面を逐次生成することで高品質な3Dメッシュを生成することができるが、トークン・バイ・トークンの復号化によって推論が遅くなり、対話型および大規模アプリケーションでの実用的な使用が制限される。 我々は、予測正しい検証パラダイムを通じて自動回帰デコーディングを再考する高速かつ高忠実なメッシュ生成フレームワークであるFlashMeshを紹介する。 鍵となる洞察は、メッシュトークンは強い構造的および幾何学的相関を示し、確実なマルチトークンの推測を可能にすることである。 FlashMeshは、一般的に使われている時間ガラストランスフォーマーアーキテクチャに合わせた投機的デコード方式を導入し、顔、点、座標レベルの並列予測を可能にした。 大規模な実験によると、FlashMeshは標準の自己回帰モデルよりも最大2倍のスピードアップを実現し、生成精度も向上している。 この結果から,メッシュデータの構造的先行性は,自己回帰生成を促進・促進するために体系的に活用できることが示唆された。

関連論文リスト

• FastMesh: Efficient Artistic Mesh Generation via Component Decoupling [27.21354509059262]
  メッシュ生成アプローチは通常、三角形メッシュをトークンのシーケンスにトークン化し、これらのトークンをシーケンシャルに生成するように自動回帰モデルを訓練する。 この冗長性は、過度に長いトークンシーケンスと非効率な生成プロセスをもたらす。 本稿では,頂点と面を別々に扱うことにより,芸術的メッシュを生成する効率的な枠組みを提案する。
  論文  参考訳（メタデータ） (2025-08-26T16:51:02Z)
• AutoHFormer: Efficient Hierarchical Autoregressive Transformer for Time Series Prediction [36.239648954658534]
  時系列予測には、3つの競合する目標を同時に達成するアーキテクチャが必要である。 本稿では,これらの課題に対処する階層型自己回帰変換器であるAutoHFormerを紹介する。 総合的な実験により、AutoHFormer 10.76XはP08のPatchTSTと比較して高速なトレーニングと6.06倍のメモリ削減を示した。
  論文  参考訳（メタデータ） (2025-06-19T03:47:04Z)
• Fast Autoregressive Models for Continuous Latent Generation [49.079819389916764]
  自己回帰モデルは、特にNLPにおいて、シーケンシャルなデータ生成において顕著な成功を収めている。 最近の研究で、マスク付き自己回帰モデル(MAR)は拡散ヘッドを用いて連続空間内のトーケン分布をモデル化することによって量子化をバイパスする。 本稿では,MARの拡散ヘッドを軽量ショートカットヘッドに置き換える新しいフレームワークであるFast AutoRegressive Model (FAR)を提案する。
  論文  参考訳（メタデータ） (2025-04-24T13:57:08Z)
• MeshCraft: Exploring Efficient and Controllable Mesh Generation with Flow-based DiTs [79.45006864728893]
  MeshCraftは、効率的かつ制御可能なメッシュ生成のためのフレームワークである。 連続的な空間拡散を用いて、離散的な三角形の面を生成する。 800面のメッシュを3.2秒で生成できる。
  論文  参考訳（メタデータ） (2025-03-29T09:21:50Z)
• Parallelized Autoregressive Visual Generation [65.9579525736345]
  本稿では,並列化された自己回帰視覚生成のための簡易かつ効果的な手法を提案する。 本手法は,画像生成タスクと映像生成タスクの両方において,最大9.5倍の高速化を実現し,品質劣化を最小限に抑えた3.6倍の高速化を実現する。
  論文  参考訳（メタデータ） (2024-12-19T17:59:54Z)

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。