另外，这种设计还大大降低了MeshAnything的训练难度，提高了效果。因为点云提供了精细的3D形状信息，MeshAnything不需要去学习复杂的3D形状分布，只需要学习如何搭建出符合给定点云的人造Mesh。MeshAnything V2有何提升？MeshAnything V2在V1版本的基础上大幅度提高了性能，并将最大可生成面数800提升到了1600。其主要提...
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 V2在性能和效率上实现了基于形状的条件艺术家创建网格(AM)生成,同时提高了形状条件的学习效果和效率。作者还利用它来展示如何将AMT应用于网格生成。 遵循(Chen等人,2024b)的研究,MeshAnything V2也针对给定形状生成AM,实现与各种3D资产生产 Pipeline 的高度可控制AM生成集成。也就是说,作者试图学习分布,...
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 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 ...
受低效表示的限制,MeshAnything和MeshAnythingV2分别仅针对最大面数为800和1600的网格进行了训练。因此,这些模型在生成具有复杂细节的网格时表现不佳,并产生了更多不完整的网格,如图5中的定性比较所示。相比之下,采用我们提出的块化和贴片化标记化(BPT)方法,我们的模型能够利用具有更多面的网格,并学习具有关键局部性的...
MeshAnything V2 的发布标志着3D网格生成领域的一次显著飞跃,特别是在效率和精度上。其核心技术邻近网格标记化(AMT),成功减少了冗余数据,显著提高了生成速度。这种创新不仅降低了计算和内存成本,还能满足复杂网格生成的需求,展现出强大的市场潜力。对于游戏开发、影视制作等依赖3D资产的行业来说,MeshAnything V2 是一个...
MeshAnything V2有何提升? MeshAnything V2在V1版本的基础上大幅度提高了性能,并将最大可生成面数800提升到了1600。 其主要提升来源于其新提出的Adjacent Mesh Tokenization(AMT)算法。 相比之前的Mesh tokenization方法,AMT平均只需要一半长度的token sequence即可表达同一个Mesh。 由于transformer的计算是n^2复杂度,...
受低效表示的限制,MeshAnything和MeshAnythingV2分别仅针对最大面数为800和1600的网格进行了训练。因此,这些模型在生成具有复杂细节的网格时表现不佳,并产生了更多不完整的网格,如图5中的定性比较所示。相比之下,采用我们提出的块化和贴片化标记化(BPT)方法,我们的模型能够利用具有更多面的网格,并学习具有关键局部性的...
MeshAnything V2来了来自南洋理工和清华等机构的团队发布了升级版的3D网格生成方法——MeshAnything V2!它可以极大地提升艺术创作网格(Artist-Created Meshes,简称AM)的生成效率和质量,性能大幅超越了上一代的 MeshAnything。MeshAnything V2现在可以生成多达1600个面的网格,是之前800个面的两倍,可以创建更复杂、更详细的...