論文の概要: MeshOctave: Vertex Split-and-Rewire Cascades for Native Mesh Generation
- arxiv url: http://arxiv.org/abs/2609.38985v2
- Date: Tue, 06 Oct 2026 07:50:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.237747
- Title: MeshOctave: Vertex Split-and-Rewire Cascades for Native Mesh Generation
- Title（参考訳）: MeshOctave: ネイティブメッシュ生成のためのVertex Split-and-Rewireカスケード
- Abstract要約: MeshOctaveは、Dyadic空間グリッドの解像度を通じてスケールを定義し、決定論的崩壊として粗い粒度をフレーミングする。
スケール条件付きマスク付き一様離散拡散モデルを構築し,分解分解能崩壊階層から分割・再配線操作を学習する。
- 参考スコア（独自算出の注目度）: 39.92539008617647
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generating compact, artist-style meshes with explicit topology typically relies on autoregressive models which incur prohibitive sequential per-token costs, or continuous flow models that depend on heuristic connectivity decoders. Next-scale generation paradigms offer a compelling alternative by enabling parallel intra-scale token prediction and coarse-to-fine refinement from global structure to local topology; yet, existing methods derive hierarchical scales via progressive mesh simplification and invert them sequentially. This eliminates intra-scale parallelism and scales generation steps linearly with face count. In this paper, we propose MeshOctave, which instead defines scale through dyadic spatial grid resolutions, framing coarsening as a deterministic collapse that merges vertices sharing a voxel cell and inherits connectivity. Its inverse operation, split-and-rewire, determines which octant sub-vertices are instantiated for each coarse face and resolves local connectivity using discrete structural tokens. These per-face operations require no serialization, each scale transition is modeled as an unordered set that adds one bit of coordinate precision, naturally supporting dynamic-length meshes and adaptive resolution refinement. We construct a scale-conditioned masked-uniform discrete diffusion model to learn split-and-rewire operation from resolution collapse hierarchies. MeshOctave outperforms strong baselines in geometric fidelity and topological validity by a non-trivial margin, while supporting adaptive resolution refinement and extending naturally to mesh subdivision tasks.
- Abstract（参考訳）: 明示的なトポロジを持つコンパクトなアーティストスタイルのメッシュを生成する場合、一般的には、違法なシーケンシャルな1トーケンコスト、あるいはヒューリスティックな接続デコーダに依存する連続フローモデルに依存する。
次世代のパラダイムは、グローバルな構造から局所的なトポロジーまで、並列なスケール内トークン予測と粗大な微細化を可能にすることで、魅力的な代替手段を提供するが、既存の手法は、プログレッシブメッシュの単純化を通じて階層的なスケールを導出し、それらを逐次的に反転させる。
これにより、スケール内の並列性を排除し、フェースカウントと線形に生成ステップをスケールする。
本稿では,Voxelセルを共有して接続を継承する頂点をマージする決定論的崩壊として,空間格子分解によるスケール定義を行うMeshOctaveを提案する。
その逆演算であるスプリット・アンド・リワイヤは、どのオクタントサブ頂点が粗い面ごとにインスタンス化されているかを決定し、離散的な構造トークンを用いて局所接続を解消する。
これらの顔ごとの操作は直列化を必要とせず、各スケール遷移は1ビットの座標精度を付加し、動的長メッシュと適応分解能の強化を自然にサポートする非順序集合としてモデル化される。
スケール条件付きマスク付き一様離散拡散モデルを構築し,分解分解能崩壊階層から分割・再配線操作を学習する。
MeshOctaveは、非自明なマージンによって幾何学的忠実度と位相的妥当性の強いベースラインを上回り、適応的な解像度改善をサポートし、メッシュ分割タスクに自然に拡張する。
関連論文リスト
- PolyFlow: Continuous Topology Embedding Flow Matching for Artist-style Mesh Generation [31.59262139357425]
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。
論文 参考訳（メタデータ） (2026-06-25T18:29:06Z) - Dmsh: A Multi-Agent Reinforcement Learning Framework for All-Quad Mesh Generation [0.30786914102688595]
Dmshは、幾何学的分解と四角形メッシュ生成を統一する最初の完全自動強化学習パイプラインである。
Dmshは、トポロジの単純化、幾何正規化、メッシュ生成を扱う3つの協調エージェントによって問題を分解する。
学習戦略により、単純なドメインから非常に複雑なジオメトリへのスケーラビリティが保証され、種子の分散が抑制される。
論文 参考訳（メタデータ） (2026-06-09T09:04:32Z) - 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) - PointNSP: Autoregressive 3D Point Cloud Generation with Next-Scale Level-of-Detail Prediction [87.33016661440202]
自動回帰ポイントクラウド生成は、長い間、拡散ベースの品質アプローチに遅れを取ってきた。
低解像度で大域的な形状を保った粗大な生成フレームワークであるPointNSPを提案する。
ShapeNetの実験によると、PointNSPは自己回帰パラダイムの中で初めて、最先端(SOTA)生成品質を確立している。
論文 参考訳（メタデータ） (2025-10-07T06:31:02Z) - 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) - ProAlignNet : Unsupervised Learning for Progressively Aligning Noisy
Contours [12.791313859673187]
ProAlignNetは、輪郭形状間の大規模なミスアライメントと複雑な変換を説明できる。
近接感度および局所形状依存類似度測定値の上界から導出される新しい損失関数を用いて学習する。
実世界の2つの応用において、提案したモデルは最先端の手法よりも一貫して優れている。
論文 参考訳（メタデータ） (2020-05-23T14:56:14Z) - Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。
すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。
単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文 参考訳（メタデータ） (2020-05-04T20:03:21Z)
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。