論文の概要: P2Voxel: Pyramid Pivot Voxelization for 3D Mesh Tokenization

• arxiv url: http://arxiv.org/abs/2608.07549v1
• Date: Sat, 01 Aug 2026 13:04:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.428833
• Title: P2Voxel: Pyramid Pivot Voxelization for 3D Mesh Tokenization
• Title（参考訳）: P2Voxel: 3次元メッシュトークン化のためのピラミッド型Pivotvoxelization
• Abstract要約: 我々は、コンパクトかつ再構成対応のメッシュトークン化のためのピラミッドピボットのボクセル化フレームワークであるtextbfP2Voxelを紹介した。 textitSpatial Complexity の仮定の下では、ピラミッドのPivot Voxelization は実表面の空間的非均一性を利用する。 textitBlock Reconstructability の仮定の下で、Praamid VAE は局所的に再構成可能なピボットブロック上でコンパクトな多重解像度潜在符号を学習する。
• 参考スコア（独自算出の注目度）: 60.385793205570046
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Triangle meshes provide explicit and accurate surface geometry, yet their irregular topology connectivity makes 3D mesh tokenization a geometric sampling problem: how to sample and organize geometric evidence into compact, structured and learnable tokens. Beyond field-centric volumetric sampling and edge-intersection surface sampling, we retarget mesh tokenization as \textit{local surface evidence sampling}: identifying the minimal geometric evidence inside each active voxel that is sufficient for deterministic surface recovery. To this end, we introduce \textbf{P2Voxel}, a pyramid pivot voxelization framework for compact and reconstruction-aware mesh tokenization. P2Voxel is built on three key innovations. Under the \textit{Local Planarity} assumption, Pivot Voxelization represents each active voxel with a surface pivot and an orientation sign, providing minimal local evidence that can induce the corner values required for deterministic reconstruction. Under the \textit{Spatial Complexity} assumption, Pyramid Pivot Voxelization exploits the spatial non-uniformity of real surfaces by allocating finer pivot tokens to geometrically complex regions while keeping smooth regions coarse and compact. Under the \textit{Block Reconstructability} assumption, a Pyramid VAE learns compact multi-resolution latent codes over locally reconstructable pivot blocks, avoiding the need to model the entire high-resolution voxelized shape as a dense global field. Together, these designs convert meshes into compact, structured, and learnable pyramid pivot tokens, enabling efficient mesh reconstruction for downstream 3D tasks.
• Abstract（参考訳）: 三角形メッシュは明示的で正確な表面形状を提供するが、その不規則なトポロジー接続により、3Dメッシュトークン化は幾何学的サンプリング問題となる。 フィールド中心の体積分析とエッジ断面表面サンプリングの他に、メッシュトークン化を \textit{local surface evidence sample} として、決定論的表面回復に十分な各活性ボクセル内の最小の幾何学的証拠を同定する。 この目的のために、コンパクトかつ再構成対応のメッシュトークン化のためのピラミッドピボットボキセル化フレームワークである \textbf{P2Voxel} を紹介する。 P2Voxelは3つの重要なイノベーションの上に構築されている。 \textit{Local Planarity} の仮定の下では、Pivot Voxelization は各活性ボクセルを表面ピボットと配向符号で表現し、決定論的再構成に必要なコーナー値を引き起こす最小限の局所的証拠を与える。 <textit{Spatial Complexity} の仮定の下で、ピラミッド Pivot Voxelization は滑らかな領域を粗くコンパクトに保ちながら、より微細なピボットトークンを幾何学的に複雑な領域に割り当てることで、実際の曲面の空間的非均一性を利用する。 ピラミッドVAEは、局所的に再構成可能なピボットブロック上のコンパクトな多分解能潜在符号を学習し、高分解能ボキセル化形状全体を高密度大域体としてモデル化する必要がない。 これらの設計は、メッシュをコンパクトで構造化され、学習可能なピラミッドピボットトークンに変換し、下流3Dタスクの効率的なメッシュ再構築を可能にする。

関連論文リスト

• 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)
• LATO: 3D Mesh Flow Matching with Structured TOpology Preserving LAtents [43.84310366771089]
  LATOは、スケーラブルでフローマッチングに基づく明示的な3Dメッシュの合成を可能にする、新しいトポロジ保存潜在表現である。 生成モデリングでは、LATOは2段階のフローマッチングプロセスを採用し、最初は構造ボクセルを合成し、その後、ボクセルのトポロジーの特徴を精製する。 従来の等曲面/三角形に基づく拡散モデルや自己回帰生成アプローチと比較して、LATOは推論において高い効率を保ちながら、複雑な幾何学、よく形成されたトポロジーを持つメッシュを生成する。
  論文  参考訳（メタデータ） (2026-03-06T15:09:25Z)
• SVRecon: Sparse Voxel Rasterization for Surface Reconstruction [60.92372415355283]
  我々は最近提案されたスパースボキセル化パラダイムをSVReconの統合により高忠実度表面再構成の課題に拡張する。 本手法は, 常に高速な収束を保ちながら, 強い復元精度を実現する。
  論文  参考訳（メタデータ） (2025-11-21T16:32:01Z)
• 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)
• Binary Opacity Grids: Capturing Fine Geometric Detail for Mesh-Based View Synthesis [70.40950409274312]
  我々は、細い構造を再構築する能力を損なうことなく、表面への収束を促すために密度場を変更する。 また, メッシュの単純化と外観モデルの適合により, 融合型メッシュ方式を開発した。 私たちのモデルで生成されたコンパクトメッシュは、モバイルデバイス上でリアルタイムでレンダリングできます。
  論文  参考訳（メタデータ） (2024-02-19T18:59:41Z)
• PRS: Sharp Feature Priors for Resolution-Free Surface Remeshing [30.28380889862059]
  本稿では,自動特徴検出とリメッシングのためのデータ駆動方式を提案する。 提案アルゴリズムは,Fスコアの26%,知覚値の42%がtextRMSE_textv$である。
  論文  参考訳（メタデータ） (2023-11-30T12:15:45Z)
• Deep Marching Tetrahedra: a Hybrid Representation for High-Resolution 3D Shape Synthesis [90.26556260531707]
  DMTetは粗いボクセルのような単純なユーザーガイドを用いて高解像度の3次元形状を合成できる条件付き生成モデルである。 メッシュなどの明示的な表現を直接生成する深部3次元生成モデルとは異なり、我々のモデルは任意の位相で形状を合成することができる。
  論文  参考訳（メタデータ） (2021-11-08T05:29:35Z)
• Neural Marching Cubes [14.314650721573743]
  我々は、離散化された暗黙の場から三角形メッシュを抽出するデータ駆動型アプローチであるNeural Marching Cubes (NMC)を紹介する。 我々のネットワークは、限られたフィールドで局所的な特徴を学習し、新しい形状や新しいデータセットによく適応することを示す。
  論文  参考訳（メタデータ） (2021-06-21T17:18:52Z)

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。