mesh-generation

PolyFlow利用拓扑嵌入器提出连续的网格表示，并基于Transformer实现流匹配的并行网格生成，相比自回归方法推理速度更快且分辨率控制精确。

MeshFlow 引入了一种等变最优传输流匹配模型，用于直接生成三角形网格，在达到最先进质量的同时，相比自回归方法提供了约18倍的推理加速。

JanusMesh 是一个快速、免训练的框架，通过将生成过程解耦为跨空间双分支去噪和视图条件纹理合成，生成文本驱动的3D视觉错觉——单个网格从不同视角展示不同语义——在仅3-5分钟内实现高真实感。

MeshWeaver 提出了一种自回归网格生成框架，它使用多级稀疏体素编码器直接预测顶点，为高多边形网格实现了最先进的压缩率和几何保真度。

一种基于时空注意力链的无需训练4D网格生成方法，将创建时间加速至9秒（13倍加速），同时提升时间一致性并扩展到更长的序列，具备零样本追踪和相机估计能力。

本文介绍了一种三角化无关的流匹配方法，用于基于网格的信号生成，采用Matérn过程作为噪声，PoissonNet作为去噪器，在大型网格上实现了高质量结果。

一位开发者将微软的TRELLIS.2图像转3D模型移植到Apple Silicon Mac上运行，通过用PyTorch MPS等价物替换仅CUDA依赖项，实现了无需NVIDIA GPU的离线3D网格生成。

社区移植版：微软 TRELLIS.2 图像转3D生成模型可在 Apple Silicon Mac 上通过 PyTorch MPS 原生运行，无需 NVIDIA GPU，在 M4 Pro 上约 3.5 分钟即可生成含 40 万以上顶点的高质量 3D 网格。