論文の概要: PolyFlow: Continuous Topology Embedding Flow Matching for Artist-style Mesh Generation

• arxiv url: http://arxiv.org/abs/2606.30673v1
• Date: Thu, 25 Jun 2026 18:29:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:18.947739
• Title: PolyFlow: Continuous Topology Embedding Flow Matching for Artist-style Mesh Generation
• Title（参考訳）: PolyFlow: アーティストスタイルのメッシュ生成のための継続的トポロジ埋め込みフローマッチング
• Authors: Chunshi Wang, Haohan Weng, Junliang Ye, Biwen Lei, Yang Li, Zibo Zhao, Zeqiang Lai, Kaiyi Zhang, Yunhan Yang, Zhuo Chen, Chunchao Guo, Yawei Luo,
• Abstract要約: 自己回帰変換器は、芸術家にふさわしいトポロジを生成することによって高品質なメッシュ生成を支配している。 連続拡散法とフローマッチング法は効率的な並列合成をサポートするが、メッシュに直接適用することはできない。 離散メッシュ位置と正規分布を連続した頂点ごとの埋め込みに投影するコンパクトなトポロジー埋め込み器を提案する。 この埋め込み器を事前訓練し凍結した後、任意の生メッシュは、位置、正規および暗黙の位相特性を統一する連続した頂点状態空間に完全に変換することができる。
• 参考スコア（独自算出の注目度）: 31.59262139357425
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Autoregressive Transformers dominate high-quality mesh generation by producing artist-worthy topologies, yet their inherent sequential decoding induces substantial computational overhead, falling orders of magnitude slower than parallel generative models. On the other hand, while continuous diffusion and flow-matching methods support efficient parallel synthesis across a variety of domains, they cannot be directly applied to meshes: mesh connectivity is inherently discrete and incompatible with standard continuous noise injection and denoising operations. To resolve this fundamental incompatibility, we introduce a compact topology embedder that projects discrete mesh vertex positions and normals into continuous per-vertex embeddings, where the original discrete adjacency information can be faithfully recovered via spacetime distance thresholding. After pretraining and freezing this embedder, any raw mesh can be fully converted into a continuous per-vertex state space unifying position, normal, and implicit topological attributes. Built upon this novel continuous mesh representation, we present PolyFlow, a Transformer-based flow-matching framework that achieves fully parallel vertex state denoising conditioned on extracted point-cloud features. During inference, our model completes generation rapidly via an ODE solver, and supports explicit, precise control over output mesh resolution by directly specifying the target vertex count. Extensive evaluations on the Toys4K benchmark demonstrate that PolyFlow surpasses state-of-the-art autoregressive baselines in both Chamfer Distance and Hausdorff Distance.
• Abstract（参考訳）: 自己回帰変換器は、芸術家にふさわしいトポロジを生成することによって高品質なメッシュ生成を支配しているが、その固有なシーケンシャルデコーディングは計算オーバーヘッドをかなり引き起こし、並列生成モデルよりも桁違いに遅い。 一方、連続拡散とフローマッチングは、様々な領域にわたる効率的な並列合成をサポートするが、メッシュに直接適用することはできない。 この基本的な不整合性を解決するために、離散メッシュ頂点位置と正規分布を連続した頂点ごとの埋め込みに投影するコンパクトなトポロジー埋め込み装置を導入する。 この埋め込み器を事前訓練し凍結した後、任意の生メッシュは、位置、正規および暗黙の位相特性を統一する連続した頂点状態空間に完全に変換することができる。 この新しい連続メッシュ表現に基づいて構築されたPolyFlowはトランスフォーマーベースのフローマッチングフレームワークで、抽出されたポイントクラウド機能に条件付きで完全に並列な頂点状態を生成する。 推測中,本モデルはODEソルバを介して高速に生成を完了し,ターゲット頂点数を直接指定することにより,出力メッシュ解像度の明示的かつ正確な制御をサポートする。 Toys4Kベンチマークの大規模な評価は、PolyFlowがChamfer DistanceとHausdorff Distanceの両方で最先端の自己回帰ベースラインを上回っていることを示している。

関連論文リスト

• TriFlow: Generating Artist-Like 3D Mesh Topology via Nearest-Vertex Vector Fields [72.76537377865192]
  TriFlowは、署名された距離場などの入力幾何学条件から直接アーティストのような三角形のトポロジーを持つコンパクトな3Dメッシュを作成するための新しい生成手法である。 実験により、TriFlowは最先端の学習ベースアプローチと比較して、より高度な一般化とトポロジ品質の向上を実現していることが示された。
  論文  参考訳（メタデータ） (2026-06-18T11:55:00Z)
• MeshFlow: Efficient Artistic Mesh Generation via MeshVAE and Flow-based Diffusion Transformer [82.3429532054028]
  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。
  論文  参考訳（メタデータ） (2026-06-03T08:57:15Z)
• AeTHERON: Autoregressive Topology-aware Heterogeneous Graph Operator Network for Fluid-Structure Interaction [0.0]
  AeTHERONは共有高次元潜在空間における非線形流体-構造結合を学習する。 AeTHERONは、大規模渦トポロジーとウェイク構造を定性的忠実度で捉えている。 推論には1つのGPUで1時間に1ミリ秒かかるが、同等のDNS計算では数時間かかる。
  論文  参考訳（メタデータ） (2026-04-15T00:31:20Z)
• Discrete Flow Maps [19.374556402778207]
  Flow Mapは生成軌道を1ステップのマッピングに圧縮する。 標準定式化は、離散データに対して幾何学的に不適なユークリッド回帰損失に依存する。 離散領域の標準的なフローマップトレーニングをリキャストし、トレーニングのダイナミクスと言語の性質を一致させる。
  論文  参考訳（メタデータ） (2026-04-10T18:10:14Z)
• KoopmanFlow: Spectrally Decoupled Generative Control Policy via Koopman Structural Bias [31.486395926173838]
  Generative Control Policies(GCP)は、ロボット操作において大きな可能性を秘めているが、安定なグローバルモーションと高周波局所補正を同時にモデル化するのに苦労している。 クープマンに着想を得た構造的帰納バイアスによって導かれるパラメータ効率の良い生成ポリシーであるクープマンフローを紹介する。
  論文  参考訳（メタデータ） (2026-03-14T06:23:07Z)
• PUFM++: Point Cloud Upsampling via Enhanced Flow Matching [15.738247394527024]
  PUFM++は、スパース、ノイズ、部分的な観測から点雲を再構築するための拡張されたフローマッチングフレームワークである。 本稿では,まず,スパース入力から高密度ターゲットへ直進する直進経路の流れを学習し,次にノイズ摂動サンプルを用いて改良し,終端境界分布をよりよく近似する2段階フローマッチング手法を提案する。 合成ベンチマークと実世界のスキャンの実験は、PUFM++がポイントクラウドのアップサンプリングにおいて、新しい最先端の技術を設定していることを示している。
  論文  参考訳（メタデータ） (2025-12-24T06:30:42Z)
• 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)
• PU-Flow: a Point Cloud Upsampling Networkwith Normalizing Flows [58.96306192736593]
  本稿では,正規化フローを組み込んだPU-Flowについて述べる。 具体的には、重みが局所的な幾何学的文脈から適応的に学習される潜在空間において、アップサンプリング過程を点として定式化する。 提案手法は, 再現性, 近接精度, 計算効率の観点から, 最先端の深層学習手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-07-13T07:45:48Z)

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。