DeepMesh – 清华和南洋理工推出的 3D 网格生成框架，自动优化拓扑

DeepMesh 是清华大学和南洋理工大学研究人员提出的 3D 网格生成框架，基于强化学习和自回归变换器生成高质量的 3D 网格。通过两项关键创新来优化网格生成：一是高效的预训练策略，结合了新型标记化算法和改进的数据处理流程；二是引入强化学习（特别是直接偏好优化，DPO），实现生成网格与人类偏好的对齐。DeepMesh 能根据点云和图像条件生成具有复杂细节和精确拓扑结构的网格，在精度和质量方面均优于现有方法。

DeepMesh的主要功能

• 高质量 3D 网格生成：DeepMesh 能生成具有丰富细节和精确拓扑结构的 3D 网格，适用于各种复杂的几何形状。
• 点云条件生成：DeepMesh 可以根据输入的点云数据生成对应的 3D 网格，适用于从稀疏点云到密集点云的各种场景。
• 图像条件生成：DeepMesh 支持基于图像的条件生成，能根据输入的 2D 图像生成 3D 网格。

DeepMesh的技术原理

• 自回归变换器：DeepMesh 采用自回归变换器作为核心架构，包含自注意力层和交叉注意力层。能逐步生成网格的面，通过条件输入（如点云或图像）来预测网格的顶点和面。对于点云条件生成任务，DeepMesh 结合了感知器编码器来提取点云特征，将其集成到变换器模型中。
• 高效预训练策略：DeepMesh 引入了一种改进的标记化算法，通过局部感知的面遍历和块索引坐标编码，显著缩短了序列长度，同时保留了几何细节。框架采用了数据整理和处理改进策略，过滤低质量网格数据，通过截断训练策略提高训练效率。
• 强化学习与人类偏好对齐：DeepMesh 引入了直接偏好优化（DPO），通过人工评估和 3D 指标设计评分标准，收集偏好对用于强化学习训练。使生成的网格在几何精度上准确，在视觉效果上更符合人类审美。
• 端到端可微分的网格表示：DeepMesh 支持端到端可微分的网格表示，拓扑可以动态变化。这种可微分性使模型能通过梯度下降进行优化，进一步提升生成网格的质量。

DeepMesh的项目地址

• 项目官网：https://zhaorw02.github.io/DeepMesh/
• Github仓库：https://github.com/zhaorw02/DeepMesh
• arXiv技术论文：https://arxiv.org/pdf/2503.15265

DeepMesh的应用场景

• 虚拟环境构建：DeepMesh 可以生成逼真的 3D 网格模型，用于构建虚拟现实中的虚拟场景，如虚拟建筑、虚拟城市等。
• 动态内容生成：通过强化学习优化，DeepMesh 可以根据游戏中的实时数据动态生成 3D 模型，提升游戏的沉浸感和交互性。
• 角色动画：DeepMesh 可以生成高质量的 3D 角色模型，支持复杂的动画制作需求，如骨骼绑定和动画渲染。
• 动态医学模拟：通过强化学习优化，DeepMesh 可以生成动态的医学模型，如心脏运动模拟，帮助医生更好地理解器官的运动和功能。
• 产品建模：DeepMesh 可以用于生成工业产品的 3D 模型，支持复杂的设计和制造流程。