Teknologi MeshAnything untuk mengubah representasi 3D menjadi mesh 3D yang efisien

MeshAnything: menghasilkan mesh buatan artis

Gambaran umum

• MeshAnything meniru cara artis manusia mengekstrak mesh dari representasi 3D.
• Dapat digabungkan dengan berbagai pipeline produksi aset 3D untuk menghasilkan mesh buatan artis (AM) yang dapat diterapkan di industri 3D.

Perbandingan dengan metode yang ada

• MeshAnything menghasilkan mesh dengan jumlah face ratusan kali lebih sedikit, sehingga sangat meningkatkan efisiensi penyimpanan, rendering, dan simulasi.
• Mencapai tingkat presisi yang serupa dengan metode yang ada.

Metode

• MeshAnything adalah transformer autoregresif yang menghasilkan mesh buatan artis yang disesuaikan dengan bentuk 3D yang diberikan.
• Mengambil sampel point cloud dari aset 3D yang diberikan, mengenkodenya sebagai fitur, lalu memasukkannya ke transformer khusus decoder.
• Alih-alih mempelajari distribusi bentuk 3D yang kompleks, sistem ini membentuk geometri secara efisien melalui topologi yang dioptimalkan.

Hasil lebih lanjut

• Dengan integrasi ke berbagai metode produksi aset 3D, sistem ini mencapai pembuatan mesh buatan artis yang sangat mudah dikendalikan.
• MeshAnything menghasilkan mesh dengan topologi yang lebih baik dan lebih sedikit face, serta dapat membuat topologi yang sepenuhnya berbeda sambil mempertahankan bentuk yang serupa.

Opini GN⁺

• Efisiensi: MeshAnything menghasilkan mesh dengan jumlah face yang jauh lebih sedikit dibanding metode pembuatan mesh yang ada, sehingga sangat meningkatkan efisiensi penyimpanan dan rendering.
• Penerapan: Karena dapat diintegrasikan dengan berbagai pipeline produksi aset 3D, potensinya untuk dimanfaatkan di seluruh industri 3D sangat tinggi.
• Keunggulan teknis: Dapat membentuk geometri secara efisien melalui topologi yang dioptimalkan tanpa perlu mempelajari distribusi bentuk 3D yang kompleks.
• Sudut pandang kritis: Saat mengadopsi teknologi baru, mungkin ada masalah kompatibilitas dengan sistem yang sudah ada atau kurva pembelajaran awal.
• Alternatif yang direkomendasikan: Proyek lain dengan fungsi serupa antara lain MeshGPT; ada baiknya membandingkan kelebihan dan kekurangan masing-masing proyek.

[GN⁺]

Komentar Hacker News

• Di tengah seringnya paper generasi model 3D dikritik, riset ini patut disambut baik. Namun, lisensi nonkomersialnya disayangkan. Menurut informasi di GitHub, pembuatan mesh membutuhkan sekitar 7GB dan 30 detik pada GPU A6000, serta hanya dapat menghasilkan mesh dengan kurang dari 800 face.
• Ini yang terbaik di antara hasil generasi low-poly. Masih berupa mesh segitiga, tetapi terus membaik.
• Tujuan akhirnya adalah poligon yang didominasi segi empat, edge smooth/crease, UV tekstur yang alami, serta pembuatan tekstur PBR melalui tekstur berulang. Setelah itu, arahnya perlu berkembang ke inferensi model CAD dari gambar.
• Untuk menangani mesh besar atau point cloud yang dihasilkan dari pemindaian LiDAR atau fotogrametri, dibutuhkan PC berkinerja tinggi dan software mahal. Akan berguna jika mesh bisa diperkecil agar dapat dibagikan di web.
• Saya pernah memproses point cloud hasil pemindaian secara manual. Data yang dihasilkan mencapai 450GB, dan proyek sebelumnya sebesar 2.1TB. Skala dalam paper ini terasa seperti mainan, tetapi yang penting adalah memulai.
• Menyebut mesh hasil generasi AI sebagai sesuatu yang "dibuat artis" dapat menyesatkan.
• Saya suka bahwa bagian dampak sosial menyebut pengurangan biaya tenaga kerja. Yang penting, ini bukan berarti mengurangi kebutuhan akan seniman.
• Saya berencana menguji beberapa model yang kompleks.
• MeshAnything menghasilkan mesh dengan jumlah face ratusan kali lebih sedikit, sehingga sangat meningkatkan efisiensi penyimpanan, rendering, dan simulasi.
• Saya mencoba demo online, tetapi mesh output memiliki lubang yang tidak ada pada versi aslinya. Saya jadi bertanya-tanya apakah ada masalah pada algoritmenya.
• Mesh yang dikonversi tidak efisien dan memiliki banyak n-gon, sehingga memerlukan pekerjaan retopologi.