南洋理工大学的S Lab、2 Hai AI Lab、复旦大学、北京大学、中科院大学、Sense Time Research、Stepfan、西湖大学等，都推出了全新的Remesh技术！ “MeshAnything： Artist-Created Mesh Generation with Selfregressive Transformers” 看来艺术家会重建 3D 网格，就好像它是手工建模一样！
MeshAnything：艺术家创建的带有自回归转换器的网格生成
MeshAnything 模仿人类艺术家从任何 3D 表示中提取网格。 MeshAnything 可以与各种 3D 资产制作流程（包括 3D 重建和生成）相结合，并将结果转换为艺术家创建的网格，这些网格可以无缝应用于 3D 行业。
MeshAnything生成的网格具有百分之一的人脸数量，显著提高了存储、渲染和仿真效率，同时实现了与传统方法相当的精度。
近年来，通过重建和生成创建的 3D 资产已经开始与手工创建的资产的质量相媲美，凸显了它们的潜在替代品。 然而，这些资产总是需要转换为用于3D工业应用的网格，而通过当前的网格提取技术生成的网格远不如艺术家创建的网格（AM），即由人类艺术家创建的网格，因此这种潜力在很大程度上尚未实现。 具体来说，当前的网格提取方法依赖于致密的表面，而忽略了几何特征，导致效率低下、后处理复杂和表示质量差。 为了解决这些问题，我们引入了MeshAnything，该模型将网格提取视为生成问题，并根据指定的形状生成AM。 通过将任何 3D 表示的 3D 资产转换为 AM，MeshAnything 可以与各种 3D 资产制作方法集成，从而增强其在整个 3D 行业的应用。 MeshAnything 的架构由一个 VQ-VAE 和一个只有一个形状条件解码器的传感器组成。 首先，使用VQ-VAE来学习网格词汇，然后基于该词汇训练一个形状条件解码器专用换能器，用于形状条件自回归网格生成。 基于我们大量的实验，该方法生成的AM面数量仅为百分之几，大大提高了存储、渲染和仿真效率，同时实现了与传统方法相当的精度。
这很糟糕...... 我觉得摄影测量网格、扫描的点云数据和 AI 生成的模型将立即变得实用。 “MeshAnything”的代码已经在 Github 上发布了。 还有一个演示页面，您可以在浏览器上试用。
请仔细阅读 Hugging Face 演示页面上的注意事项。
输入网格被归一化为单元边界框。
输入网格的向上向量应为 +Y，以获得更好的结果。
- 如果输入网格是手动创建的网格，请选中
Preprocess with Marching Cubes - MeshAnything 是在面数少于 800 的网格上训练的，并且无法生成超过 800 个面的网格。
就是这样
我已经试过了，但你怎么看？ 感受未来了吗？ 如果能够更多地使用多边形就好了，所以
请查看项目页面了解更多详情！