MeshXL: Neural Coordinate Field for Generative 3D Foundation Models

三维数据的多边形网格表示具有极大的灵活性、快速的渲染速度和存储效率，在各种应用中广受青睐。然而，由于其非结构化图形表示，直接生成高保真度的三维网格是具有挑战性的。幸运的是，通过预定义的排序策略，三维网格可以表示为序列，并且生成过程可以无缝地视为自回归问题。本文验证了神经坐标场（NeurCF）是一种简单而有效的表示方法，它采用了显式坐标表示和隐式神经嵌入，可用于大规模序列网格建模。在此基础上，我们提出了MeshXL，一系列生成式预训练自回归模型，采用现代大型语言模型方法解决三维网格生成过程。广泛的实验证明，MeshXL能够生成高质量的三维网格，并且还可以作为各种下游应用的基础模型。

本文旨在解决3D数据的自动生成问题，提出了一种基于序列的自回归模型Neural Coordinate Field和一个生成预训练自回归模型MeshXL，用于生成高质量的3D网格模型。

通过预定义的排序策略，将3D网格表示为序列，并将生成过程视为自回归问题，使用Neural Coordinate Field作为坐标表示，结合生成预训练自回归模型MeshXL实现3D网格的生成。

该方法能够生成高质量的3D网格模型，实验结果表明其性能优于现有的方法。此外，该模型还可以作为下游任务的基础模型，具有广泛的应用前景。

在相关研究中，还有一些基于深度学习的3D网格生成方法，如3D-GAN、PointFlow等。