为了解决这些问题,我们引入了MeshAnything,一个将网格提取视为生成问题的模型,产生与指定形状对齐的AMs。通过将任何3D表示的3D资产转换为AMs,MeshAnything可以与各种3D资产生产方法相结合,从而增强它们在3D行业的应用。MeshAnything的架构包括一个VQ-VAE和一个形状条件解码器仅变压器。我们首先使用VQ-VAE学习一个网格词汇...
GitHub已揽星1.9k的MeshAnything项目上新了V2版本,由来自南洋理工大学、清华大学、帝国理工学院、西湖大学等研究人员完成。 MeshAnything V2相比V1,使用了最新提出的Adjacent Mesh Tokenization(AMT)算法,将最大可生成面数从800提升到了1600。 只需30秒,AI就能像3D建模师一样,在各种指示下生成高质量人造Mesh。 NeRF...
MeshAnything是一个自回归的transformer，其将Mesh的每个面片视作token，整个Mesh被视作token序列，接着像大语言模型一样，一个token一个token地生成，最终生成出整个Mesh。MeshAnything运用精妙的condition设计，其将点云作为condition来实现高度可控的人造Mesh生成：MeshAnything以点云为condition的设计让其可以与诸多3D扫描...
为了解决这些问题,我们引入了MeshAnything,一个将网格提取视为生成问题的模型,产生与指定形状对齐的AMs。通过将任何3D表示的3D资产转换为AMs,MeshAnything可以与各种3D资产生产方法相结合,从而增强它们在3D行业的应用。MeshAnything的架构包括一个VQ-VAE和一个形状条件解码器仅变压器。我们首先使用VQ-VAE学习一个网格词汇...
代码链接:https://github.com/buaacyw/MeshAnything 官方主页:https://buaacyw.github.io/mesh-anything/ 2. 摘要 最近,通过重建和生成创建的3D资产已经匹配了手工制作的资产的质量,突显了它们作为替代品的潜力。然而,这种潜力在很大程度上并未实现,因为这些资产总是需要转换为网格以供3D行业应用,而当前网格提取方法...
上图是MeshAnything的算法流程。简而言之, MeshAnything 是一种自回归变换器,能够生成符合给定三维形状的人工建模网格。MeshAnything 从给定的三维资产(模型、点云、GS、NerF等)中采样点云,将其编码为特征,然后将其注入仅解码器的变换器,从而实现按形状条件生成网格。进一步的技术细节这里不再探讨,下面大家一起看Mesh...
为了解决这些问题,研究人员提出了 MeshAnything,这是一种用于生成艺术家创建的3D 网格的自动回归模型。MeshAnything 与各种现有模型无缝集成,以生成高质量的文本/图像/形状条件网格生成。 产品入口:https://top.aibase.com/tool/meshanything MeshAnything 生成的网格体显著提高了存储、渲染和仿真效率,同时实现了与以前...
在这项工作中,作者提出了MeshAnything V2,这是一种基于形状的条件艺术家创建网格(AM)生成模型,它生成与给定形状对齐的网格。 V2在性能和效率方面都显著优于MeshAnything(Chen等人,2024b),这是作者新提出的相邻网格标记化(AMT)。 与使用三个顶点代表面的 previous 方法不同,AMT 尽可能地使用单个顶点。作者的实验表...
#MeshAnything快速生成3D网格# 当前常见的网格提取方法依赖于密集的面,而忽略了几何特征,导致了效率低下、后续处理复杂、质量较差等问题。 MeshAnything 模型将网格提取作为一个生成问题来处理,模仿人类从3D...
MeshAnything V2相比V1,使用了最新提出的Adjacent Mesh Tokenization(AMT)算法,将最大可生成面数从800提升到了1600。 只需30秒,AI就能像3D建模师一样,在各种指示下生成高质量人造Mesh。 NeRF、3D Gaussian Splatting生成的三维重建图像Mesh效果如下: 亮点直击 ...