Papers·어제
MeshWeaver: 자회귀 메시 생성에서 기하 인식 토큰화로 18% 압축률, 16K 면까지 생성
Jiale Xu 팀이 자회귀 메시 생성의 두 가지 한계(낮은 토큰화 효율, 기하 인식 부재)를 해결한 MeshWeaver를 제안했습니다. 다중 레벨 sparse-voxel 인코더로 국소 표면 단서를 주입하고, 다음 정점을 직접 예측하는 surface weaving 방식으로 18%의 압축률과 최대 16K 면 메시 생성이 가능합니다. 기하 충실도에서 기존 방법 대비 유의미한 개선을 보였으나, 복셀 해상도에 민감할 수 있다는 점은 염두에 둘 만합니다.
자회귀 메시 생성의 효율과 기하 인식을 동시에 개선한 MeshWeaver가 공개되었습니다.
핵심 결론
- 압축률 — 기존 대비 18%의 state-of-the-art 압축률 달성, 최대 16K 면까지 생성 가능.
- 기하 충실도 — 기존 방법 대비 기하 충실도에서 유의미한 개선, 특히 고해상도 메시에서 두드러집니다.
방법
- 표면 직조 — 다음 정점을 직접 예측하는 surface weaving 방식으로, 독립 좌표 예측보다 효율적입니다.
- 다중 레벨 복셀 인코더 — 복셀 특징을 정점 표현, cross-attention 유도, 구조적 스캐폴드로 삼중 활용해 기하 맥락을 주입합니다.
- 단일 디코딩 — 계층적 설계로 coarse-to-fine 정점 예측을 단일 디코딩 단계에서 수행합니다.
한계·조건
- 복셀 해상도 — 복셀 해상도에 따라 성능이 민감할 수 있으며, 최적 해상도는 실험적으로 결정해야 합니다.
- 데이터셋 — ShapeNet 등 기존 벤치마크에서 평가되었으나, 실제 복잡한 장면 일반화는 추가 검증이 필요합니다.
편집자 한 줄
압축률 18%는 인상적이지만, 복셀 해상도 튜닝이 실용화의 관건이 될 듯합니다.
- #mesh-generation
- #autoregressive
- #3d
- #tokenization
- #sparse-voxel
Jiale Xu