MeshFlow: Mesh Generation with Equivariant Flow Matching

📄 arXiv: 2606.23489v1 📥 PDF

作者: Qi Sun, Kiyohiro Nakayama, Jing Nathan Yan, Qixing Huang, Alexander Rush, Leonidas Guibas, Gordon Wetzstein, Jing Liao, Guandao Yang

分类: cs.GR, cs.CV

发布日期: 2026-06-22

备注: SIGGRAPH 2026

🔗 代码/项目: PROJECT_PAGE

💡 一句话要点

提出MeshFlow以解决三维网格生成中的对称性问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 三维网格生成 等变流匹配 最优传输 扩散变换器 计算机图形学 虚拟现实 自动化设计

📋 核心要点

  1. 现有方法在生成三维网格时难以处理面和顶点的对称性，导致生成效率低下。
  2. 论文提出MeshFlow，通过等变最优传输流匹配模型直接生成三角网格，避免序列化过程。
  3. 实验结果表明，MeshFlow在网格质量上与现有方法相当，同时推理速度提升约18倍。

📝 摘要（中文）

网格是最常见的三维场景表示之一，但直接生成网格面临挑战，因为其表示包含重要的对称性，包括面和顶点的置换不变性。MeshFlow学习直接生成三角网格，避免将网格序列化为长的自回归序列。我们采用尊重三角网格关键对称性的等变最优传输流匹配模型。为此，我们对扩散变换器架构进行了简单而有效的修改，构建了一个可扩展的网络，能够建模速度场并保持所需的等变性。我们进一步引入了一种基于最优传输的训练目标，通过消除违反这些对称性的监督信号来改善收敛性。MeshFlow在网格质量上与最先进的自回归网格生成器相当，同时在推理时提供约18倍的加速。

🔬 方法详解

问题定义：本论文旨在解决三维网格生成中的对称性问题，现有方法在处理面和顶点的置换不变性时面临挑战，导致生成效率低下和质量不稳定。

核心思路：MeshFlow通过等变最优传输流匹配模型直接生成三角网格，避免了将网格序列化为长的自回归序列，从而更好地处理网格的对称性。

技术框架：整体架构基于扩散变换器，经过修改以适应网格生成任务。主要模块包括速度场建模和基于最优传输的训练目标，确保生成过程中的对称性。

关键创新：最重要的技术创新在于引入了等变流匹配模型和基于最优传输的训练目标，这与现有方法的自回归生成机制本质上不同，能够更有效地处理网格的对称性。

关键设计：在网络结构上，MeshFlow采用了扩散变换器的修改版本，设计了适应网格生成的损失函数，确保训练过程中不违反对称性，并优化了模型的可扩展性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，MeshFlow在网格质量上与最先进的自回归网格生成器相当，同时在推理速度上实现了约18倍的提升，显著提高了生成效率和应用潜力。

🎯 应用场景

该研究在计算机图形学、虚拟现实和游戏开发等领域具有广泛的应用潜力。MeshFlow能够高效生成高质量的三维网格，促进实时渲染和交互式应用的发展，未来可能在自动化设计和建筑建模等领域发挥重要作用。

📄 摘要（原文）

Meshes are among the most common 3D scene representations, but directly generating meshes is challenging because the representation contains important symmetries, including permutation invariance of faces and vertices. MeshFlow learns to generate triangle meshes directly as triangle soups, avoiding the need to serialize meshes into long autoregressive sequences. We adopt equivariant optimal-transport flow matching models that respect the key symmetries of triangle soups: arbitrary permutations of faces and permutations of the vertices within each face. Toward this goal, we propose a simple yet effective modification to the Diffusion Transformer architecture, resulting in a scalable network capable of modeling a velocity field while maintaining the desired equivariance. We further introduce an optimal-transport-based training objective that improves convergence by eliminating supervision signals that violate these symmetries. MeshFlow achieves mesh quality comparable to state-of-the-art autoregressive mesh generators while providing about an 18$\times$ speedup during inference. Project page is at https://qiisun.github.io/MeshFlow/.