概述

• 任务：无条件生成mesh （无颜色）
• 数据集：shapenet v2
• 方法：先trian一个auto encoder，用来获得code book；然后trian一个自回归的transformer
• mesh表达：face序列。face按规定的顺序；每个face用三个顶点的坐标表示

Learning Quantized Triangle Embeddings （一个auto encoder）

• mesh表示为triangle face的序列。
  • triangle的顺序？作者直接按照Polygen来的：
  • 先排列vertex，再按vertex来排triangle
  • vertex是按zyx的顺序，从低到高排
  • triangle是从最low的vertex，次low的，最后到最high的vertex来排列。
• face怎么表示呢？直接用3 vertices的9 coordinates 来表达一个face不太好；因此作者就这样：
  • 图卷积或的face feature vector
    • 用图来表达，图的节点是face，边是face的邻接关系
    • node features初始化为9个顶点的位置，face normal，edge between angles，area
    • 经过若干SAGEConv 层(也就是encoder E)，得到每个face的feature vector Z
  • quantization: residual vector quantization (RQ)
    • 作者发现每个face只搞一个code效果不好。于是作者用stack of D codes per face。
    • 另外发现最好是按vertex来quantize
    • T = RQ (Z; C, D) ， Z是刚才的face features，C是codebook， D是depth。 T就是得到的tokens。每个t就是一个codebook C里面的index，指向C里面的一个embedding e。（后面的transformer要用的就是这个e和codebook）
  • Decoder把face embeddings给decode成triangles
    • 先把D个features合成一个，方法是summation和concatenation
    • 用的是一个1D ResNet34 decoding head G，把刚才的这个code给decode成triangle序列，顺序就是刚才讲得顺序。每个face表示为9 coordinates。
      • 发现coordiantes预测为某些固定点的概率，会比直接回归坐标更准（图4）

mesh generation with transformers

像文字接龙的语言模型一样，自回归地训练transformer：

• transformer训练时的输入，是刚才得到的e，（加上learned position encoding等）；
• 经过一个类似GPT的transformer，预测下一个token e在codebook中的index
• 用交叉熵loss来train

得到mesh：

• 接龙完成后（得到stop signal后），用刚才的resnet decoder G来得到mesh。
• 用meshlab搞了一个后处理，来合并距离很近的点

训练时间

训练时间：
AutoEncoder用了2 A100, 2 days
transformer用了4 A100, 5 days

数据集：
ShapeNetV2, 所有55个categories来train GPT； 但在chair，table，bench和lamp这四个类别上finetune。

消融实验