論文の概要: TaoFlowForge: Progressive Native Mesh Generation via Cascaded Flow Matching

• arxiv url: http://arxiv.org/abs/2609.37139v1
• Date: Tue, 29 Sep 2026 09:39:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.391318
• Title: TaoFlowForge: Progressive Native Mesh Generation via Cascaded Flow Matching
• Title（参考訳）: TaoFlowForge: カスケードフローマッチングによるプログレッシブなネイティブメッシュ生成
• Abstract要約: プロダクション対応メッシュを生成する芸術的メッシュ基盤モデルであるTaoFlowForgeを紹介する。 具体的には、TaoFlowForgeはメッシュ生成プロセスを頂点生成と接続予測に分解する。 我々は手作りの3Dアセットと公共の高品質なトポロジーデータセットを組み合わせた大規模データセットを構築した。 我々のモデルは、組み合わせたデータセットでトレーニングされ、3Dアセットとパブリックデータセットのアウト・オブ・ディストリビューションで手作りされたセットでテストされます。
• 参考スコア（独自算出の注目度）: 14.98065742014198
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D content generation technology has significantly advanced the work of designers, as well as the 3D printing and gaming industries. However, it remains difficult to produce lightweight, editable, and topologically clean artistic content that is directly production-ready. To achieve this, we present TaoFlowForge, an artistic mesh foundation model that generates production-ready meshes. Specifically, TaoFlowForge decomposes the mesh generation process into vertices generation and their connectivity prediction, i.e., edges. We formulate vertices generation as a two-stage coarse-to-fine process and incorporate several effective loss functions to further enhance its performance. In the connectivity prediction stage, we propose a simple yet effective method for estimating the connectivity affinity between vertices and additionally predict per-vertex normals, which determines the correct orientation of faces. Besides, we construct a large-scale dataset combining hand-crafted 3D assets with public high-quality topology datasets. Based on this, a carefully designed data curation pipeline is employed to filter the raw dataset, retaining only high-quality topology data for model training. Our model is trained on the combined dataset and tested on both out-of-distribution hand-crafted set of 3D assets and public datasets. Under image-conditioned generation, TaoFlowForge outperforms autoregressive methods and achieves state-of-the-art results among open-source mesh topology generators. We will release all the code and weights together with a portion of our test dataset.
• Abstract（参考訳）: 3Dコンテンツ生成技術は、デザイナーや3Dプリンティング、ゲーム産業の仕事を著しく進歩させてきた。 しかし、軽量で、編集可能で、かつ、トポロジ的にクリーンな芸術コンテンツを直接制作するのは難しい。 そこで本研究では,生産可能なメッシュを生成するアートメッシュ基盤モデルであるTaoFlowForgeを提案する。 具体的には、TaoFlowForgeはメッシュ生成プロセスを頂点生成と接続予測、すなわちエッジに分解する。 2段階の粗粒化プロセスとして頂点生成を定式化し、その性能を高めるためにいくつかの効果的な損失関数を組み込んだ。 接続予測の段階では,頂点間の接続親和性を推定し,さらに頂点ごとの正規性を予測し,顔の正しい方向を決定する,シンプルで効果的な方法を提案する。 さらに,手作りの3Dアセットとパブリックな高品質なトポロジーデータセットを組み合わせた大規模データセットを構築した。 これに基づいて、モデルトレーニングのための高品質なトポロジデータのみを保持する生データセットをフィルタリングするために、慎重に設計されたデータキュレーションパイプラインが使用される。 我々のモデルは、組み合わせたデータセットでトレーニングされ、3Dアセットとパブリックデータセットのアウト・オブ・ディストリビューションで手作りされたセットでテストされます。 画像条件付き生成では、TaoFlowForgeは自動回帰メソッドよりも優れ、オープンソースのメッシュトポロジジェネレータの最先端結果を実現している。 テストデータセットの一部と合わせて、すべてのコードと重みをリリースします。

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)
• SeamGen: Artist-Aligned UV Seam Generation via Graph Flow Matching [47.43404509262908]
  SeamGenはUVシーム生成のための生成モデルであり、アーティストの好みやプロダクション要件に合わせている。 SeamGenは、プロのシームレイアウトデータから事前情報を学習することで、アーティストが指定した好みに合わせてUVレイアウトを生成する。
  論文  参考訳（メタデータ） (2026-07-14T05:52:52Z)
• DeepJEB++: Foundation Model-Driven Large-Scale 3D Engineering Dataset via 2D Latent Space Augmentation [4.353545088427288]
  DeepJEB++は基盤モデル駆動のデータ拡張フレームワークである。 ジェットエンジンのブラケットの小さなシードセットを、大規模なシミュレーションラベル付き3Dデータセットに拡張する。 400以下のシードデザインから始まり、DeepJEB++は15,360個のシミュレーションラベル付き3Dブラケットを出力する。
  論文  参考訳（メタデータ） (2026-06-11T07:30:56Z)
• 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)
• PoseDreamer: Scalable and Photorealistic Human Data Generation Pipeline with Diffusion Models [41.23359540842301]
  PoseDreamerは,3Dメッシュアノテーションを備えた合成データセットを生成する,新たなパイプラインだ。 我々は50万以上の高品質な合成サンプルを生成し、画質の指標を76%改善した。
  論文  参考訳（メタデータ） (2026-03-30T17:59:18Z)
• From Editor to Dense Geometry Estimator [77.21804448599009]
  密度幾何予測のための拡散変換器(DiT)アーキテクチャに基づく高度な編集モデルを適用するフレームワークである textbfFE2E を紹介する。 FE2EはETH3Dデータセットで35%以上のパフォーマンス向上を実現し、100$times$データでトレーニングされたDepthAnythingシリーズを上回っている。
  論文  参考訳（メタデータ） (2025-09-04T15:58:50Z)
• Step1X-3D: Towards High-Fidelity and Controllable Generation of Textured 3D Assets [90.99212668875971]
  Step1X-3Dは、データの不足、アルゴリズムの制限、エコシステムの断片化といった課題に対処するオープンフレームワークである。 拡散型テクスチャ合成モジュールとハイブリッドVAE-DiTジオメトリジェネレータを組み合わせた2段階の3Dネイティブアーキテクチャを提案する。 ベンチマークの結果は、既存のオープンソースメソッドを超える最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-05-12T16:56:30Z)
• 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)
• 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。