論文の概要: MeshFlow: Efficient Artistic Mesh Generation via MeshVAE and Flow-based Diffusion Transformer

• arxiv url: http://arxiv.org/abs/2606.04621v1
• Date: Wed, 03 Jun 2026 08:57:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 07:07:40.480928
• Title: MeshFlow: Efficient Artistic Mesh Generation via MeshVAE and Flow-based Diffusion Transformer
• Title（参考訳）: MeshFlow: MeshVAEとフローベース拡散変換器による効率的なアーティスティックメッシュ生成
• Authors: Weiyu Li, Antoine Toisoul, Tom Monnier, Roman Shapovalov, Rakesh Ranjan, Ping Tan, Andrea Vedaldi,
• Abstract要約: MeshFlowは、アーティストのような3Dメッシュを生成する新しい方法だ。 我々のモデルは最速のARジェネレータより18倍速くメッシュを生成する。
• 参考スコア（独自算出の注目度）: 82.3429532054028
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present MeshFlow, a new method for generating artist-like 3D meshes. Current mesh generators often adopt Auto-Regressive (AR) next-token prediction, a natural choice given the discrete nature of mesh topology. However, AR methods scale poorly because the inference cost is quadratic in mesh size. They also require discretizing the vertex coordinates, which introduces quantization errors. To address these challenges, we introduce a Variational Autoencoder (VAE) that, supervised with a contrastive loss, represents both continuous vertex positions and discrete connectivity in a continuous latent space. This latent space is significantly more compact than prior token-based mesh representations. We then build a 3D generator based on a Rectified Flow transformer, generating all mesh vertices and edges in parallel. Our model generates meshes 18x faster than the fastest AR generator while also achieving excellent accuracy across standard mesh-generation metrics. Homepage: https://mesh-flow.github.io/, Code: https://github.com/facebookresearch/meshflow
• Abstract（参考訳）: アーティストのような3Dメッシュを生成する新しい方法であるMeshFlowを提案する。 現在のメッシュジェネレータは、メッシュトポロジの離散的な性質から自然選択であるAuto-Regressive (AR) next-token予測を採用することが多い。 しかし、予測コストがメッシュサイズで2次的なため、ARメソッドのスケーリングは不十分である。 また、量子化誤差を導入する頂点座標の離散化も必要である。 これらの課題に対処するために,連続頂点位置と連続潜伏空間における離散接続を両立させる可変オートエンコーダ(VAE)を導入する。 この潜在空間は、以前のトークンベースのメッシュ表現よりもはるかにコンパクトである。 次に、Rectified Flow変換器をベースとした3Dジェネレータを構築し、すべてのメッシュ頂点とエッジを並列に生成します。 我々のモデルは、最速のARジェネレータよりも18倍高速なメッシュを生成すると同時に、標準メッシュ生成メトリクス間で優れた精度を実現する。 ホームページ: https://mesh-flow.github.io/, Code: https://github.com/facebookresearch/meshflow

関連論文リスト

• 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)
• ReMiDi: Reconstruction of Microstructure Using a Differentiable Diffusion MRI Simulator [0.602276990341246]
  ReMiDiは、微分拡散磁気共鳴イメージング(dMRI)シミュレーターを用いて神経細胞の微細構造を任意の3次元メッシュとして推定する新しい手法である。 本稿では、参照信号にマッチするように調整可能な信号をシミュレートする、エンドツーエンドの微分可能なパイプラインを提案する。 有限要素メッシュで表される任意の形状の微細構造を再構築する能力を示し,脳白質中の軸索ジオメトリーに着目した。
  論文  参考訳（メタデータ） (2025-02-04T04:03:08Z)
• 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)
• MeshXL: Neural Coordinate Field for Generative 3D Foundation Models [51.1972329762843]
  本稿では,現代の大規模言語モデルを用いた3次元メッシュ生成のプロセスに対処する,事前学習型自己回帰モデルの生成ファミリを提案する。 MeshXLは高品質な3Dメッシュを生成することができ、さまざまなダウンストリームアプリケーションの基盤モデルとしても機能する。
  論文  参考訳（メタデータ） (2024-05-31T14:35:35Z)
• 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)

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。