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：

点云造出精细Mesh：

Dense Mesh基础上生成也可以：

一张图，甚至文本描述就足够了：

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。

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。

这项研究一经发布也迅速得到不少网友关注。

那么，MeshAnything究竟是一种怎样的方法？MeshAnything V2做了哪些改进？

高度可控的人造Mesh生成

值得注意的是，虽然AI很早就能够生成Mesh了，但这与上面所展示的生成人造Mesh有着巨大区别。

团队表示，所有之前方法，例如Marching Cubes和Get3D，生成的Mesh都是面片非常稠密的Mesh，面片数往往是人造Mesh的数百倍，几乎不可能应用于游戏，电影等实际3D工业。

并且由于它们的面片结构不符合人类直觉，3D建模师很难再对其进行细致的加工。

如下图所示，这一问题 没法简单地依靠remesh来解决 ，在不影响效果的前提下，remesh方法虽然仅仅能够小幅度地减少面片：

而上述问题直接影响了3D研究应用于工业界。

3D工业界的pipeline几乎全以人造Mesh作为3D表征，即使3D研究领域能产出精度极高的NeRF或者3D Gaussian，但没法将它们转化为工业界能应用的Mesh的话，应用将十分受限。

因此，之前研究团队提出了MeshAnything，旨在实现高度可控的人造Mesh生成。

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，3D重建，3D生成的方法结合。

这些种类繁多的方法最终得到的3D表示虽然多样，但总能从中采样到点云，从而输入到MeshAnything中转为人造Mesh，帮助这些能输出3D模型的工作运用到实际3D工业中。

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。

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，一半长度的token sequence意味着降低了4倍的attention计算量。并且AMT得到的token sequence更加紧凑，结构更好，更有利于transformer的学习。

AMT是通过尽可能地仅仅用一个vertex来表达一个一个面片来实现上述进步的：

上图清晰地表达出了AMT的运作过程，其通过优先表达相邻的面片来用1个vertex表达一个面片。当不存在相邻的没表达过的面片，AMT添加一个特殊token “&”来标识这一情况并重新开始。

在AMT的帮助下，V2在性能和效率上大幅超过之前的方法，实现了高质量的人造Mesh生成。

在训练数据上，MeshAnything使用ShapeNet和Objaverse中的人造Mesh，将这些Mesh展开成token sequence之后使用cross-entropy loss监督。

V1和V2都仅仅使用了350m的transformer架构，100K的训练数据就得到了以上结果，表明该方向还有非常大scale up潜力。

更多结果如下：

V2项目主页:

原文链接:​ ​​ ​