論文の概要: Nexus: Native Mesh Generation with Diffusion

• arxiv url: http://arxiv.org/abs/2607.13563v1
• Date: Wed, 15 Jul 2026 08:04:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.695116
• Title: Nexus: Native Mesh Generation with Diffusion
• Title（参考訳）: Nexus: 拡散によるネイティブメッシュ生成
• Abstract要約: 分離およびトポロジ生成による全体論メッシュ生成を実現する拡散法であるNexusを提案する。 提案手法は,最先端の自己回帰と2段階のベースラインより優れる。 3D実践者による盲目のユーザスタディは、この結果に対する強い好意を裏付けるものだ。
• 参考スコア（独自算出の注目度）: 42.84943999520515
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating high-quality triangle meshes is essential for film, gaming, and interactive 3D applications. Mainstream methods rely on mesh serialization and autoregressive processes, which stuggles in effective inference and is sensitive to error accumulation. In this paper, we present Nexus, a diffusion method that achieves holistic mesh generation via decoupled vertex and topology generation. First, we view mesh vertices as sparse voxels organized as an octree and adopt a diffusion model to generate the vertices in a coarse-to-fine manner. Second, for topology modeling, we propose Spacetime Interval, as an extension of Spacetime Distance to encode arbitrary edge and face topology into continuous per-vertex embeddings. It allows for a global and efficient recovery of complex topology. We then employ a diffusion model to generate the continuous embeddings on the generated vertices. Extensive experiments on the Objaverse and Toys4K datasets and in-the-wild images demonstrate that our method outperforms state-of-the-art autoregressive and two-stage baselines, effectively circumventing the inherent limitations of sequential mesh modeling. A blind user study from 3D practitioners confirms strong perceptual preference for our results.
• Abstract（参考訳）: 高品質な三角形メッシュの生成は、フィルム、ゲーム、インタラクティブな3Dアプリケーションに不可欠である。 メインストリームの手法はメッシュのシリアライゼーションと自己回帰プロセスに依存しており、効率的な推論にゆがみ、エラーの蓄積に敏感である。 本稿では,分離された頂点とトポロジを生成することで,全体論的なメッシュ生成を実現する拡散法であるNexusを提案する。 まず,メッシュ頂点をオクツリーとして整理したスパースボクセルとみなし,拡散モデルを用いて粗い方法で頂点を生成する。 第2に、任意のエッジとフェイストポロジを連続した頂点ごとの埋め込みにエンコードする時空間距離の拡張として、時空間法を提案する。 これは複素トポロジーのグローバルかつ効率的な回復を可能にする。 次に、拡散モデルを用いて、生成された頂点上に連続的な埋め込みを生成する。 Objaverse と Toys4K データセットの広範にわたる実験により、我々の手法は最先端の自己回帰と2段階のベースラインよりも優れており、シーケンシャルメッシュモデリングの本質的な限界を効果的に回避できることを示した。 3D実践者による視覚的ユーザスタディでは,結果に対する知覚的嗜好が強く高いことが確認された。

関連論文リスト

• Meshy T2: Fast Native Mesh Generation with Flow Matching [8.108033268825832]
  フローマッチングに基づいて構築された高速なネイティブメッシュ生成フレームワークであるMeshy T2を紹介する。 実験では、Meshy T2は最先端の幾何学的忠実性を達成し、中央値6秒でエンドツーエンドの画像・メシュ生成を完了する。
  論文  参考訳（メタデータ） (2026-07-28T16:33:54Z)
• PointDiT: Pixel-Space Diffusion for Monocular Geometry Estimation [105.86385617182879]
  最先端のシングルイメージの3D再構成手法は複雑なハイブリッドアーキテクチャと損失関数に依存していることが多い。 このようなアーキテクチャ上のオーバーヘッドと複雑な損失の定式化は不要であることを示す。 我々は,平易なViT上に構築された最小限の画素空間拡散変換器を導入し,生の3Dポイントマップパッチを直接操作する。
  論文  参考訳（メタデータ） (2026-07-02T17:59:56Z)
• 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)
• MeshWeaver: Sparse-Voxel-Guided Surface Weaving for Autoregressive Mesh Generation [53.06620176910962]
  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。
  論文  参考訳（メタデータ） (2026-06-03T10:15:43Z)
• Attention-Guided Flow-Matching for Sparse 3D Geological Generation [7.734651455015875]
  3D-GeoFlowは、スパースマルチモーダルな地質モデリングに適した最初のアテンションガイド型連続フローマッチングフレームワークである。 離散カテゴリー生成をシミュレーションのない連続ベクトル場回帰として再構成することにより、安定な決定論的最適輸送経路を確立する。 この枠組みを検証するため,2200件の手続き的に生成された3次元地質事例からなる大規模マルチモーダルデータセットをキュレートした。
  論文  参考訳（メタデータ） (2026-04-07T07:02:53Z)
• Topology Sculptor, Shape Refiner: Discrete Diffusion Model for High-Fidelity 3D Meshes Generation [14.55646181682844]
  Topology Sculptor, Shape Refiner (TSSR)は、高品質なアーティストスタイルの3Dメッシュを生成する新しい方法である。 この並列生成能力は,3つの重要なイノベーションを通じて活用しています。 複雑なデータセットの実験は、TSSRが高品質な3Dアーティストスタイルのメッシュを生成することを示した。
  論文  参考訳（メタデータ） (2025-10-24T08:51:48Z)
• 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)
• DreamMesh4D: Video-to-4D Generation with Sparse-Controlled Gaussian-Mesh Hybrid Representation [10.250715657201363]
  本稿では,メッシュ表現と幾何スキン技術を組み合わせた新しいフレームワークDreamMesh4Dを紹介し,モノクロビデオから高品質な4Dオブジェクトを生成する。 我々の手法は現代のグラフィックパイプラインと互換性があり、3Dゲームや映画産業におけるその可能性を示している。
  論文  参考訳（メタデータ） (2024-10-09T10:41:08Z)
• 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)

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。