高品質なテクスチャ作成が可能になる!?MeshTailorによる生成的メッシュ探索

Figure 1: MeshTailor 上段： MeshTailorは3Dメッシュ上にシーム（色の付いた線）を直接生成し、形状の自然な構造を尊重した、クリーンでセマンティックに整列したカットを作成します。下段： 得られたシームは表面を一貫したUVチャートに分割し、これらは最小限の断片化で2Dレイアウトへと平坦化されます。右： これらの高品質なUVマップは、最終的なテクスチャ付きキャラクターモデルで示されているように、シームレスなテクスチャ適用を容易にします。

Figure 3: シームチェーンの標準的な順序付け（粗から密へ）。無秩序なシームセットを、自己回帰的な訓練/推論のための決定論的なシーケンスへとシリアル化します。戦略は「ループ優先、バランス優先、大パッチ優先」です。まずループカットを開いたチェーンよりも優先し、繰り返し「最大」の残存表面パッチを選択し、そのパッチ内で、結果として生じる2つのサブパッチ面積を最もよく「バランス」させるループカットを選択します（詳細は付録B.2を参照）。この例では、形状を分解するために主要なループカット（例：首の周り）が最初に配置され、続いてより小さなパーツ（足、尾、耳）のより細かなループが配置され、最終的な順序付けられたチェーンリストとトークンシーケンス $$\tau$$ が得られる様子を示しています。

Figure 2: MeshTailorの概要。左：デュアルストリームエンコーダ。 入力メッシュは並列に処理されます。上部のストリームは、メッシュトポロジ $$\{V, E\}$$ 上のグラフエンコーダを介してトポロジカルな接続性特徴 $$\mathcal{H}$$ を抽出し、下部のストリームは表面点をサンプリングして、事前学習済みの点群エンコーダ（訓練中は固定）を使用してグローバルな形状セマンティクストークン $$Z$$ を抽出します。これらの表現は、Transformerブロック内のクロスアテンションを介して融合されます。右：自己回帰デコーダ。 各ステップにおいて、MeshTailor Transformerは以前に生成されたシーケンス（「Seq」）を条件としてデコーダークエリを生成します。ポインター層は、強化された頂点埋め込み $$\tilde{\mathcal{H}}$$ にアテンションを向けて次の頂点（緑のボックス）を選択し、それがシーケンスに追加されます。結果として得られるシームチェーンはメッシュをUVチャートに分割し、ここでは低い歪みを示すチェッカーボードテクスチャ、色分けされたチャート、および最終的な2D UVレイアウトで視覚化されています。

Figure 4: メッシュ探索としてのステップバイステップのシーム生成。我々の自己回帰デコーダは入力メッシュの接続性を探索し、現在の1-ring近傍から次の頂点を選択します。この局所的な制約により、予測されたシームはメッシュネイティブとなり、表面を横切る無効なジャンプを回避します。

Table 1: TexVerseおよびGarmentCodeDataにおける定量的比較。Nuvoは実行時間の都合上、無作為にサンプリングされた100個のメッシュで評価されていますが、他のすべての手法は完全なテストセットを使用しています。また、両方のデータセットにおいて、データセットのUVレイアウトから抽出されたシームであるGT（Ground Truth）も追加のリファレンスとして報告しています。各指標について、比較された手法の中の上位3つの結果を「1位」「2位」「3位」としてハイライトしています。

Figure 5: GarmentCodeData におけるシームレイアウトと面積歪みの比較。各手法について、3Dメッシュ上の予測されたシーム（左）と、UVレイアウト上の対応する面積歪みヒートマップ（右）を示します。従来手法は、不規則なUVアイランドを招く断片化された、あるいはギザギザのカットを生成することが多いのに対し、MeshTailorは、一貫したチェーンとループを持つ、よりクリーンで衣服に整列したシーム構造を生成し、競争力のある歪みを維持しつつ、より規則的でコンパクトなUVチャートをもたらします。我々のシーム視覚化における異なる色は、個別のシームチェーン（およびループカット）を示しており、我々の表現の構造化され編集可能な出力を強調しています。

Figure 13: 分割統治推論。

Figure 12: 入力メッシュに対して $\sigma$ を増加させながらガウスノイズを頂点に加えて摂動を与えます。

Figure 7: 左：手法間のペア比較勝率。 各エントリは、列の手法よりも行の手法を支持した参加者の割合を示しています。右：他のすべての手法に対する平均勝率による全体的なランキング。 MeshTailorは一貫してすべてのベースラインよりも好まれています。

Figure 8: タイル状のストライプテクスチャ下でのUV品質。 断片化されたチャートや不規則な境界は、しばしばストライプの不連続性や位置ずれを引き起こしますが、MeshTailorは一貫したテクスチャフローを持つコヒーレントな領域を維持します。

Figure 9: 制作指向のUVユーザビリティ。 (a) 我々のUVレイアウトは、同じ衣服上での多様なテクスチャ外観をサポートします。(b) ユーザーが編集したロゴを伴うストライプのタイリング。従来手法の結果を示しています。

Figure 10: MeshTailorは、そのシーム構造の一部として自然にループカットを生成します。 予測されたループを適用し（中央）、入力メッシュをクリーンでアーティストのような境界を持つ連結されたパッチへと再帰的に分割することで、下流のアセット処理に直接使用可能なパーツ分解（右）が得られます。

Figure 11: MeshTailorは異なる粒度のメッシュに一般化され、訓練中に見られたものよりも多くの三角形を持つメッシュを処理します。

Figure 14: シーム生成に関するアブレーション（構成要素の除去実験）。 MeshTailorと、EncG または EncP を除去したバリアント、および座標ベースのベースライン（Coord-Edge/Coord-Chain）を比較します。座標予測は投影アーティファクトと不規則な境界を引き起こしますが、我々の実験ではMeshTailorはよりクリーンで一貫したシームレイアウトをもたらします。