論文の概要: OptimusMesh: Compact Autoregressive Mesh Generation from Point Clouds via Sparse Latent Pivots

• arxiv url: http://arxiv.org/abs/2610.01148v1
• Date: Thu, 01 Oct 2026 06:26:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.933333
• Title: OptimusMesh: Compact Autoregressive Mesh Generation from Point Clouds via Sparse Latent Pivots
• Title（参考訳）: OptimusMesh: Sparse Latent Pivotsによるポイントクラウドからのコンパクト自動回帰メッシュ生成
• Abstract要約: OptimusMeshは、ポイントクラウドから直接コンパクトなトライアングルメッシュを生成するためのフレームワークである。 キーとなるアイデアは、2,048ドル(約2,800円)の入力ポイントを、わずか16ドル(約1,300円)の遅延ピボットに圧縮することです。 評価された最近のポイントクラウド条件の自己回帰法と比較すると、OptimusMeshは16ドルしか使用せず、より短い条件付きシーケンスで16.1時間である。
• 参考スコア（独自算出の注目度）: 2.4103220311871447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating compact and geometrically faithful 3D meshes directly from point clouds remains a fundamental challenge. Point clouds are unordered and sparse, whereas meshes exhibit irregular structure and varying topology. As a result, many existing approaches rely on implicit representations followed by surface extraction or reconstruction. Although effective, these pipelines can produce dense or over-smoothed meshes, often requiring computationally expensive post-processing and simplification. We present OptimusMesh, a framework for direct compact triangle mesh generation from point clouds using sparse latent pivot conditioning. Our key idea is to compress $2{,}048$ oriented input points into only $16$ sparse latent pivots, reducing the geometric conditioning set by $128\times$. These pivots provide a compact structural representation shared across a two-stage autoregressive framework that first generates mesh vertices and then predicts triangular faces conditioned on the generated vertices and the same pivots. Compared with the evaluated recent point-cloud-conditioned autoregressive methods, which use $257$ decoder-conditioning tokens, OptimusMesh uses only $16$, yielding a $16.1\times$ shorter conditioning sequence. Experiments show that OptimusMesh produces the most compact outputs among the compared recent autoregressive methods, using $25.7\%$--$94.1\%$ fewer faces while maintaining competitive geometric fidelity and distributional quality.
• Abstract（参考訳）: 点雲から直接コンパクトで幾何学的に忠実な3Dメッシュを生成することは、依然として根本的な課題である。 点雲は秩序がなく、疎いが、メッシュは不規則な構造と様々なトポロジーを示す。 その結果、既存の多くのアプローチは、表面の抽出や再構成に続く暗黙の表現に依存している。 効果的ではあるが、これらのパイプラインは高密度または過度にスムースなメッシュを生成することができ、計算コストのかかる後処理と単純化を必要とすることが多い。 我々は,スパース潜在ピボット条件を用いた点雲から直接コンパクトな三角形メッシュを生成するためのフレームワークOptimusMeshを提案する。 キーとなるアイデアは、$2{,}048$指向の入力ポイントをわずか16ドルの遅延ピボットに圧縮し、幾何学的条件設定を$128\times$に下げることです。 これらのピボットは、2段階の自己回帰フレームワーク間で共有されるコンパクトな構造表現を提供する。 257ドルのデコーダ条件付きトークンを使用する最近の評価ポイントクラウド条件付き自己回帰手法と比較して、OptimusMeshは16ドルしか使用せず、16.1\times$短い条件付きシーケンスである。 実験の結果、OptimusMeshは、競合する幾何学的忠実さと分布品質を維持しながら、より少ない顔で25.7 %$-94.1 %$を用いて、最近の自己回帰法の中で最もコンパクトな出力を生成することが示された。

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)
• 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)
• MeshAnything V2: Artist-Created Mesh Generation With Adjacent Mesh Tokenization [65.15226276553891]
  MeshAnything V2はArtist-Created Meshを作成するために設計された高度なメッシュ生成モデルである。 MeshAnything V2の背後にある重要なイノベーションは、新しいAdjacent Mesh Tokenization(AMT)メソッドです。
  論文  参考訳（メタデータ） (2024-08-05T15:33:45Z)
• PivotMesh: Generic 3D Mesh Generation via Pivot Vertices Guidance [66.40153183581894]
  汎用的でスケーラブルなメッシュ生成フレームワークであるPivotMeshを紹介します。 PivotMeshは、ネイティブメッシュ生成を大規模データセットに拡張する最初の試みである。 PivotMeshは,様々なカテゴリにまたがって,コンパクトでシャープな3Dメッシュを生成することができることを示す。
  論文  参考訳（メタデータ） (2024-05-27T07:13:13Z)
• MeshGPT: Generating Triangle Meshes with Decoder-Only Transformers [32.169007676811404]
  MeshGPTは、アーティストが作ったメッシュに典型的なコンパクトさを反映した、三角形メッシュを生成するための新しいアプローチである。 近年の強力な大規模言語モデルの発展に触発されて,三角メッシュを三角形として自動回帰的に生成するシーケンスベースアプローチを採用した。
  論文  参考訳（メタデータ） (2023-11-27T01:20:11Z)
• Point2Mesh: A Self-Prior for Deformable Meshes [83.31236364265403]
  本稿では,入力点雲から表面メッシュを再構築する技術であるPoint2Meshを紹介する。 自己優先型は、ディープニューラルネットワークの重み内の単一の形状から幾何的繰り返しをカプセル化する。 ここでは,Point2Meshが所望の解に収束することを示す。
  論文  参考訳（メタデータ） (2020-05-22T10:01:04Z)

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。