论文页面 - MeshWeaver：基于稀疏体素引导的表面编织自回归网格生成

来源：https://huggingface.co/papers/2606.04688

摘要

MeshWeaver 提出了一种自回归网格生成框架，该框架直接预测顶点而非坐标，利用多层级稀疏体素编码器增强几何上下文，实现了卓越的压缩比和保真度。

自回归网格生成（https://huggingface.co/papers?q=Autoregressive%20mesh%20generation）通过将网格标记化为序列并以语言建模（https://huggingface.co/papers?q=language-modeling）方式训练模型而受到关注。然而，现有方法存在两个根本性局限：（i）标记化（https://huggingface.co/papers?q=tokenization）效率低，导致生成的标记序列过长，无法扩展到高面数网格；（ii）缺乏几何感知引导，生成过程仅依赖全局形状嵌入而非局部表面线索。我们提出了 MeshWeaver，这是一个自回归框架，将网格生成视为表面编织过程，直接预测下一个顶点而非独立的坐标。其核心是一个多层级稀疏体素编码器（https://huggingface.co/papers?q=multi-level%20sparse-voxel%20encoder），通过三种互补方式将几何上下文（https://huggingface.co/papers?q=geometric%20context）注入生成过程：提供体素特征作为顶点表示、通过交叉注意力（https://huggingface.co/papers?q=cross-attention）引导针对体素特征的标记预测、以及作为结构支架将生成约束在输入表面附近。我们的层级设计能够在单次解码步骤中实现由粗到细的顶点预测（https://huggingface.co/papers?q=vertex%20prediction），同时将生成模型与3D几何紧密耦合。大量实验证明，MeshWeaver 实现了18%的最先进压缩比，能够生成多达16K面的网格，并且在几何保真度（https://huggingface.co/papers?q=geometric%20fidelity）上显著优于先前方法。

查看 arXiv 页面（https://arxiv.org/abs/2606.04688）查看 PDF（https://arxiv.org/pdf/2606.04688）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.04688）

在您的 agent 中获取此论文：

hf papers read 2606\.04688

没有最新 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型引用此论文

在模型 README.md 中引用 arxiv.org/abs/2606.04688 即可从此页面链接。

引用此论文的数据集0

没有数据集引用此论文

在数据集 README.md 中引用 arxiv.org/abs/2606.04688 即可从此页面链接。

引用此论文的 Spaces0

没有 Space 引用此论文

在 Space README.md 中引用 arxiv.org/abs/2606.04688 即可从此页面链接。

包含此论文的收藏集0

没有收藏集包含此论文

将此论文添加到一个收藏集（https://huggingface.co/new-collection）即可从此页面链接。