論文の概要: MeshWeaver: Sparse-Voxel-Guided Surface Weaving for Autoregressive Mesh Generation

• arxiv url: http://arxiv.org/abs/2606.04688v1
• Date: Wed, 03 Jun 2026 10:15:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.676025
• Title: MeshWeaver: Sparse-Voxel-Guided Surface Weaving for Autoregressive Mesh Generation
• Title（参考訳）: MeshWeaver: Sparse-Voxel-Guided Surface Weaving for Autoregressive Mesh Generation
• Authors: Jiale Xu, Wang Zhao, Ying Shan,
• Abstract要約: MeshWeaverは、メッシュ生成を表面織布プロセスとして扱う自動回帰フレームワークである。 MeshWeaverは18%の最先端圧縮比を実現し、最大16K面のメッシュを生成することができ、以前のアプローチよりも幾何的忠実性を大幅に向上する。
• 参考スコア（独自算出の注目度）: 53.06620176910962
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autoregressive mesh generation has gained attention by tokenizing meshes into sequences and training models in a language-modeling fashion. However, existing approaches suffer from two fundamental limitations: (i) low tokenization efficiency, which yields long token sequences and prevents scaling to high-poly meshes, and (ii) absence of geometry-aware guidance, as generation is conditioned only on global shape embeddings rather than local surface cues. We introduce MeshWeaver, an autoregressive framework that treats mesh generation as a surface weaving process by directly predicting the next vertex instead of independent coordinates. At its core is a multi-level sparse-voxel encoder that injects geometric context into the generative process in three complementary ways: providing voxel features as vertex representations, guiding token prediction via cross-attention to voxel features, and serving as a structural scaffold that constrains generation around the input surface. Our hierarchical design enables coarse-to-fine vertex prediction in a single decoding step, while tightly coupling the generative model with 3D geometry. Extensive experiments demonstrate that MeshWeaver achieves a state-of-the-art compression ratio of 18%, can generate meshes with up to 16K faces, and significantly improves geometric fidelity over prior approaches.
• Abstract（参考訳）: 自動回帰メッシュ生成は、メッシュをシーケンスにトークン化し、言語モデリング方式でトレーニングモデルを構築することで注目を集めている。 しかし、既存のアプローチには2つの基本的な制限がある。 i) トークン化効率が低く、長いトークンシーケンスを生成し、高いポリメッシュへのスケーリングを防止し、 (II) 局所的な表面積ではなく大域的な形状の埋め込みでのみ生成が条件付けられるため, 幾何学的ガイダンスが欠如している。 独立座標の代わりに次の頂点を直接予測することでメッシュ生成を表面織りプロセスとして扱う自動回帰フレームワークであるMeshWeaverを導入する。 その中核となるマルチレベルスパース・ボクセルエンコーダは、幾何学的コンテキストを生成プロセスに3つの補完的な方法で注入する。 我々の階層設計は、生成モデルを3次元幾何と密結合しながら、1つの復号ステップで粗い頂点予測を可能にする。 大規模な実験により、MeshWeaverは18%の最先端圧縮比を実現し、最大16K面のメッシュを生成することができ、以前のアプローチよりも幾何的忠実性を大幅に向上することを示した。

関連論文リスト

• FACE: A Face-based Autoregressive Representation for High-Fidelity and Efficient Mesh Generation [50.71369329585773]
  フェースレベルでメッシュを生成する新しいAutoregressive AutoencoderフレームワークであるFACEを紹介する。 当社のワンフェイスワンツーケン戦略は、メッシュの基本構築ブロックである三角形の面を、単一の統一トークンとして扱います。 FACEは、標準ベンチマークで最先端の再構築品質を達成する。
  論文  参考訳（メタデータ） (2026-03-02T06:47:15Z)
• MeshMosaic: Scaling Artist Mesh Generation via Local-to-Global Assembly [62.48017648785026]
  MeshMosaicは,100K以上の三角形にスケールするアーティストメッシュ生成のための,新たなローカル・グローバルなフレームワークである。 MeshMosaicは,幾何学的忠実度とユーザの好みの両方において,最先端の手法を著しく上回ることを示す。
  論文  参考訳（メタデータ） (2025-09-24T11:02:03Z)
• 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)
• SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
  本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。 私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。 アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
  論文  参考訳（メタデータ） (2024-09-30T17:59:03Z)

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。