# Mesh 基座模型与原生网格生成：2023–2026 范式演进

> 资料口径：覆盖 `papers/manifest.csv` 中 38 篇论文。日期采用 arXiv 首次公开日期；每个题名均链接到本地 MinerU Markdown，可继续回溯原文、图和表。这里的“局限”是为后续综述提炼的建模边界，部分属于基于方法设计的归纳，并不等同于作者原话。

## 一句话总览

这四年的主线不是单纯把 Transformer 做大，而是持续改写“什么才是 mesh token”：从三角形坐标序列，发展到邻接遍历、patch/tree/frontier、渐进 LOD；随后把离散拓扑连续化为 face latent、vertex/edge latent 或表面向量场，用 diffusion/flow 并行生成。与此同时，四边面路线必须额外解决方向场奇点、结构边、环流和面配对，因此从 cross-field 优化逐步走向 layout + field 联合预测及 native quad token。

## 关键范式与阶段

### 1. 2023–2024：把三角网格“语言化”，然后首先解决序列长度

[MeshGPT][2311] 确立“图卷积编码局部几何/拓扑 → 残差量化成几何词表 → decoder-only Transformer 预测下一 token”的模板。优点是直接学习 artist mesh，而非从隐式场 Marching Cubes；代价是 face ordering、坐标量化和长序列。2024 年的工作由此分成三种回应：

- [MeshXL][2405xl] 不把局部三角形压成固定符号，而以 Neural Coordinate Field 为“显式坐标 + 隐式神经嵌入”的大规模顺序表示，强调预训练基座与下游迁移；但仍继承自回归串行、排序敏感和坐标序列长的问题。
- [MeshAnything][2406] 把问题明确为 point-cloud-conditioned artist-mesh extraction，以 VQ-VAE 词表和条件 decoder-only Transformer 连接任意 3D 表示与工业 mesh；[MeshAnything V2][2408] 的 AMT 利用相邻面共享顶点，平均把序列缩短约一半，面数上限约翻倍。
- [EdgeRunner][2409] 借 EdgeBreaker 遍历做无损、邻接局部、可防翻面的序列，并用 autoregressive autoencoder 把变长 mesh 压到定长 latent，再接 latent diffusion；[BPT][2411] 用 block-wise indexing + patch aggregation 约压缩 75%，将规模推到 8K+ faces；[Meshtron][2412] 进一步依靠 hourglass Transformer、滑窗与高分辨率 tokenization 扩大上下文和几何精度。共同局限是压缩缓解而未消除串行解码、误差累积及窗口之外的全局拓扑一致性。

### 2. 2024–2025：拓扑感知的序列，而非任意线性化

第二阶段认识到瓶颈不仅是 token 数，还包括序列顺序是否贴合曲面拓扑。

- [Nautilus][2501] 用 manifold 局部性共享顶点/边并保持相邻面接近，配合双流点云条件，生成约 5K faces；仍主要面向三角流形，对脏拓扑和超长全局依赖不自然。
- [TreeMeshGPT][2503tree] 根据三角面邻接动态生长树，每面两 token，使生成从最近面局部扩张并约压缩 22%；树的路径选择仍引入顺序偏置，闭环和跨枝连接困难。
- [Silk][2507] 以类似“织丝”的拓扑保持遍历逐步铺展表面，强化已生成边界与后续面连接；本质仍是离散、自回归的局部决策。
- [VertexRegen][2508v] 把 progressive mesh 的 edge collapse 逆过程（vertex split）作为生成动作，任何时刻停止都有合法 LOD；[ARMesh][2509ar] 将简化逆过程推广到 simplicial complex 与局部 remeshing，从单点按 next-LOD 粗到细构造。二者把“中间状态不完整”改成“中间状态即有效低模”，但训练需可靠简化轨迹，局部动作也可能累积全局误差。
- [MeshMosaic][2509mm] 将形状切成 patch，局部自回归并共享边界，突破到 100K+ triangles；可扩展性来自分治，因此分割质量、patch 接缝及跨 patch 结构成为新瓶颈。
- [MeshRipple][2512] 用 frontier-aware BFS、expansive prediction 和稀疏全局记忆，从活动边界像涟漪般扩展，针对滑窗训练造成的孔洞和碎片；仍保留 AR 延迟，frontier 错误会向外传播。
- [MeshWeaver][2606weaver] 将“逐坐标预测”改成 sparse-voxel-guided next-vertex prediction：多层稀疏体素既提供 vertex representation，又通过 cross-attention 注入局部几何，还充当限制生成贴近输入表面的 scaffold。其层级 coarse-to-fine 单步解码报告 18% tokenization ratio 与最高 16K faces；但仍是串行 AR，性能依赖体素分辨率、输入表面质量及顶点序列规范化。

### 3. 2025：从预训练走向偏好对齐，并开始拆分几何与拓扑

- [DeepMesh][2503deep] 在改进 tokenization/数据清洗后引入基于人工评价与 3D 指标偏好对的 DPO；[Mesh-RFT][2505] 以 BER 与 Topology Score 定位坏面，再做 masked DPO，实现 face-level 局部修正。它们说明“几何像不像”和“拓扑好不好”需要独立奖励，但奖励代理可能被钻空子，且不能从根本上解除 AR 表示瓶颈。
- [FastMesh][2508f] 只用 AR 生成唯一顶点，再由双向 Transformer 一次预测邻接矩阵/面，token 数降至紧凑 tokenizer 的约 23%、速度提升 8×；这是 geometry–connectivity 解耦的早期明确转向。不过二阶段误差耦合、邻接矩阵规模及后处理仍限制大网格。
- [TSSR][2510] 用离散扩散并行看全部 mesh tokens，拆成 topology sculpting 与 shape refinement，配合多层级 RoPE 和 connection loss，可到 10K faces/1024³；避免严格 AR，却仍在量化离散空间迭代去噪，token 对齐和采样步数是成本。

### 4. 2025–2026：连续 latent、diffusion/flow 取代逐 token 生成

[MeshCraft][2503craft] 是清晰分水岭：Transformer VAE 把原始网格编码为连续 face-level tokens，flow-based DiT 并行生成并显式条件化 face count，800 faces 约 3.2 秒。此后重点从“如何缩短离散序列”转成“如何让连续空间忠实承载离散 connectivity”。

- [FACE][2603face] 以 one-face-one-token ARAE 将坐标序列压缩到 1/9，并在其 latent 上训练 diffusion；face 语义强、重建好，但共享顶点一致性需要 decoder 学出，face token 数仍随分辨率增长。
- [LATO][2603lato] 用表面锚定 Vertex Displacement Field，经 sparse voxel VAE 得到结构化拓扑 latent；decoder 逐级 subdivide/prune 定位顶点，connection head 预测边，两个 flow 阶段生成结构 voxel 与拓扑特征。它不靠等值面抽取，但 shared latent 同时承载位置与组合关系，可能互相干扰。
- [MeshFlow-VAE][2606a] 以 contrastive MeshVAE 把连续顶点和离散连接压入紧凑连续 latent，再用 Rectified Flow Transformer 并行生成顶点与边，报告比最快 AR 快 18×；限制正是统一 latent 中几何/拓扑统计性质不同。
- [LATO.2][2607l2] 因此显式分成 vertex VAE/flow 与 vertex-conditioned topology VAE/flow；前者用 VDF + sub-voxel drift，后者以 per-vertex latent 解 pairwise edges 并找环成面，还支持分块高分辨率和编辑后拓扑自适应。代价是两阶段条件误差及 pairwise connectivity/loop recovery 的复杂度。
- [Nexus][2607nx] 同样先顶点后拓扑：octree diffusion 粗到细生成顶点，以 Spacetime Interval 将任意 edge/face topology 编成连续 per-vertex embedding，再扩散并全局恢复；摆脱排序但层级扩散和拓扑解码仍昂贵。
- [Meshy T2][2607t2] 用 vertex-set Mesh VAE 每顶点一个连续 token、单次解码顶点/边/face winding；image-conditioned voxel flow 先给 scaffold，mesh flow 再按指定 vertex budget 填充，报告端到端中位数约 6 秒。它代表当前最完整的“并行、可控面数、原生多部件”工程方向，但质量上限高度受 VAE 重建和 scaffold 约束。

另一支不经过紧凑拓扑 latent，而直接尊重 mesh 的集合对称性：[MeshFlow-equivariant][2606b] 在连续 triangle soup 上构造对面排列、面内顶点排列等对称性等变的 DiT，并以 optimal-transport flow matching 消除违反对称性的监督，达到亚秒级推理。triangle soup 易并行且可推广多边形，但共享顶点和显式连通性并非表示原生保证，焊接/一致性恢复是关键局限。

### 5. 2026：把离散 topology 改写成“可生成的连续场”

- [TriFlow][2606tri] 在输入 SDF 表面定义 nearest-vertex vector field：每点在局部重心坐标中指向最近目标顶点，区域邻接隐式对应连接；latent flow 生成场，再用 watershed 聚类与受约束 QEM 提取三角网格。泛化和速度好，但依赖 SDF、场到网格的提取与简化，严格说不是一次性直接生成 connectivity。
- [Mesh BDF][2606bdf] 用定义在三角表面的 barycentric dominance field 连续编码顶点连接，其性质近似 texture map，可接入既有 3D diffusion；扩展性强，但 topology fidelity 取决于连续场分辨率和稳健离散化。
- [TopoMesh][2603topo] 不直接提出生成器，而解决 VAE 上限：先把任意 GT remesh 到 Dual Marching Cubes 共同拓扑，使预测与 GT 有 vertex/face 显式对应，可直接监督拓扑、位置和朝向；锐边重建更好，但 canonical DMC 拓扑会改写 artist-authored 原始连接。

### 6. 四边面独立路线：从方向场到 layout，再到 native quad

四边面不是“把三角 token 从 3 个顶点换成 4 个”这么简单。三角化只需局部闭合；高质量 quad 还要求全局两族方向一致、奇点指数与位置合理、edge loop 连续、结构线对齐锐边，并避免退化 quad。这解释了其路线更晚、更依赖中间结构。

- [NeurCross][2405nc] 联合优化 SIREN neural SDF 与 cross field，以 SDF Hessian 隐式约束主曲率对齐，同时兼顾场光滑、几何拟合、锐边和抗噪；它是单形状自监督优化/场求解器，不是可采样的 quad 基座模型，最终 quad 仍需 field-aligned extraction。
- [CrossGen][2506] 把 cross field 从逐形状优化推进到学习与生成，用数据驱动先验改善奇点布局与全局方向；但 field 只规定方向，不唯一决定 patch layout、边流和 quad connectivity。
- [QuadGPT][2509q] 首次将 native quadrilateral mesh 作为 AR 目标，直接学习 quad face/connectivity，而非先三角生成再配对；它保留 artist quad loops，但四点 face 的排列对称、长程环流、非规则价点和序列长度比三角面更难。
- [Mesh-Pro][2603pro] 引入 diagonal-aware mixed triangular–quadrilateral tokenization，使 quad 可借对角关系稳定序列化；以 ray-based geometry-integrity reward 和异步在线 ARPO 做偏好后训练（比同步 RL 快 3.75×）。它提高致密 artist quad 质量，但奖励对齐不能保证硬拓扑合法性，且仍受 AR 延迟。
- [TopGen][2603tg] 模拟人工建模流程，edge-query 分类结构线、face-query 回归 cross-field，并发布含 raw tri/layout/field/quad 配对的 TopGen-220K；对非流形/劣质输入更稳，且 layout 可编辑。它仍是“预测设计蓝图 + 后续 remesh”，而非端到端原生 quad connectivity。
- [Strips as Tokens][2604strip] 把连续 face strips 而非孤立面作为 token，并将 strip 边界天然作为 UV segmentation；直接把 edge-loop/UV chart 的中尺度结构纳入 artist mesh 生成。条带分解并非唯一，极点、分叉和复杂拓扑会破坏规则 strip。
- [SQuadGen][2604sq] 用 chart distance fields 生成简单 quad layouts，将离散 chart 边界/奇点转为可学习场，再恢复 quad layout；适合结构简单和可控布局，复杂 genus、密集奇点及细部仍受场分辨率与提取约束。
- [QuadLink][2605ql] 以 point-relation learning 自回归生成 quad-dominant connectivity，允许少量三角面吸收奇点/闭合困难，比纯 quad 更符合实际生产；但关系候选随点数增长，长程 loop 一致性仍难。

## 全部论文对照表

| 时间 / 论文 | 核心表示或 tokenization | 生成范式 | 拓扑处理 | 面型 | 主要贡献 | 主要局限 |
|---|---|---|---|---|---|---|
| 23.11 [MeshGPT][2311] | VQ 三角几何 token | decoder-only AR | 图卷积编码邻域；按面排序 | Tri | 奠定 mesh-as-language | 长序列、量化、排序敏感 |
| 24.05 [NeurCross][2405nc] | neural SDF + cross field | 单形状联合优化 | Hessian 对齐曲率，控制奇点/锐边 | Quad 目标 | 稳健学习方向场 | 非生成基座；需后续抽取 |
| 24.05 [MeshXL][2405xl] | Neural Coordinate Field | 大规模预训练 AR | 坐标序列隐式学习连接 | Tri | mesh foundation model 与迁移 | 串行且序列长 |
| 24.06 [MeshAnything][2406] | VQ-VAE mesh vocabulary | 点云条件 AR | 直接生成 artist connectivity | Tri | 通用 shape-to-AM 接口 | 面数/分辨率受 token 上限 |
| 24.08 [MeshAnything V2][2408] | AMT 邻面共享顶点 | 条件 AR | 邻接顺序显式复用 | Tri | 序列约减半 | 仍为局部 AR |
| 24.09 [EdgeRunner][2409] | EdgeBreaker token + 定长 latent | ArAE + latent diffusion | 无损遍历、防翻面 | Tri | 4K faces、512³、强泛化 | decoder 仍 AR；遍历依赖 |
| 24.11 [BPT][2411] | block index + patch token | 条件 AR | patch 内局部连接 | Tri | 约压缩 75%，8K+ faces | patch/窗口全局一致性 |
| 24.12 [Meshtron][2412] | 高分辨率坐标 token | hourglass AR + sliding window | 局部窗口与层级上下文 | Tri | 大规模高保真 artist mesh | 长序列与窗口误差 |
| 25.01 [Nautilus][2501] | locality-aware 共享顶点/边 | autoencoder/条件生成 | manifold 局部邻接 | Tri | 约 5K faces，结构保真 | 对脏拓扑/全局环弱 |
| 25.03 [TreeMeshGPT][2503tree] | 邻接树、每面 2 token | tree-conditioned AR | 动态树局部扩张 | Tri | 减训练难度、防法线翻转 | 跨枝闭环困难 |
| 25.03 [DeepMesh][2503deep] | 高效离散 mesh token | AR + DPO | 偏好分数整体约束 | Tri | 首批 RL artist-mesh 对齐 | offline 偏好与代理偏差 |
| 25.03 [MeshCraft][2503craft] | 连续 face-level VAE token | flow DiT 并行 | 全 mesh 同步生成 | Tri | 可控 face count，35× 加速 | VAE/连续 latent 拓扑上限 |
| 25.05 [Mesh-RFT][2505] | face token + quality mask | masked DPO | BER/TS 面级奖励 | Tri | 局部拓扑修正 | 指标不能保证硬合法性 |
| 25.06 [CrossGen][2506] | 可学习 cross field | 条件场生成 | 学习奇点与方向先验 | Quad 目标 | 从优化走向场生成 | field 不等于 layout/connectivity |
| 25.07 [Silk][2507] | 拓扑保持织丝序列 | AR surface growth | 沿活动边界铺展 | Tri | 更连续的局部拓扑 | 串行、局部错误传播 |
| 25.08 [VertexRegen][2508v] | vertex-split action | 渐进 AR | edge-collapse 逆过程 | Tri | 连续 LOD/anytime mesh | 依赖简化轨迹 |
| 25.08 [FastMesh][2508f] | 唯一 vertex token + adjacency | vertex AR + face 并行 | 二阶段预测邻接/后处理 | Tri | token≈23%，速度 >8× | 邻接二次规模、阶段误差 |
| 25.09 [MeshMosaic][2509mm] | 局部 patch token | patch-wise AR | 共享 patch 边界组装 | Tri | 扩展至 100K+ faces | 分割、接缝、全局协调 |
| 25.09 [ARMesh][2509ar] | LOD/local-remesh action | coarse-to-fine AR | simplicial complex 可变拓扑 | Tri | 合法中间态、编辑/细化 | 局部动作累积误差 |
| 25.09 [QuadGPT][2509q] | 原生 quad 序列 | AR | 直接学四边面与 edge flow | Quad | native quad 生成开端 | 环流/奇点/排列更难 |
| 25.10 [TSSR][2510] | 离散 mesh token | discrete diffusion | 先 sculpt topology 后 refine shape | Tri | 并行、10K faces/1024³ | 迭代采样与量化 |
| 25.12 [MeshRipple][2512] | frontier-aware BFS | AR + sparse global memory | 边界扩展、长程记忆 | Tri | 减孔洞与碎片 | AR 慢、frontier 错误扩散 |
| 26.03 [Mesh-Pro][2603pro] | diagonal-aware tri–quad token | AR + asynchronous ARPO | ray reward 约束完整性 | Mixed/Quad | 在线 RL 与 quad 对齐 | 无硬合法保证、仍串行 |
| 26.03 [FACE][2603face] | one-face-one-token | ARAE + latent diffusion | decoder 恢复共享关系 | Tri | 相对坐标序列压缩 9× | 共享顶点不原生保证 |
| 26.03 [LATO][2603lato] | VDF + sparse structured latent | 两阶段 flow matching | connection head 直接预测边 | Tri/显式 mesh | topology-preserving 连续 latent | 位置与连接 latent 耦合 |
| 26.03 [TopGen][2603tg] | layout lines + cross field | 双 query 判别/回归 | 结构骨架与方向场联合 | Quad 目标 | 可编辑且稳健，TopGen-220K | 仍需 remeshing 后端 |
| 26.03 [TopoMesh][2603topo] | DMC 统一拓扑 | sparse VAE | GT/预测建立显式对应 | Tri | mesh-level 监督与锐边重建 | 改写原 artist topology |
| 26.04 [Strips as Tokens][2604strip] | face strip token | structured generation | strip/loop 与 UV chart 同建模 | 以 Quad/artist 为主 | 中尺度拓扑 + 原生 UV | strip 分解歧义、分叉困难 |
| 26.04 [SQuadGen][2604sq] | chart distance field | 场生成/提取 | 场隐式编码 layout | Quad | 简单、可控 quad layout | 复杂拓扑/奇点受限 |
| 26.05 [QuadLink][2605ql] | point-relation token | AR relation prediction | 点关系恢复 quad-dominant 连接 | Mixed/Quad | 实用 quad-dominant | 候选规模、长程 loop |
| 26.06 [MeshFlow-VAE][2606a] | joint vertex-edge continuous latent | Rectified Flow DiT | contrastive VAE 解码连接 | Tri/显式 mesh | 并行，较 AR 快 18× | geometry/topology latent 缠绕 |
| 26.06 [TriFlow][2606tri] | nearest-vertex vector field | latent flow matching | 分区邻接 + QEM 提取 | Tri | topology 连续场化 | 依赖 SDF 与后处理 |
| 26.06 [MeshFlow-equivariant][2606b] | continuous triangle soup | equivariant OT flow | 用集合对称性代替排序 | Tri | 亚秒级、无量化 AR | 连通/焊接不原生保证 |
| 26.06 [MeshWeaver][2606weaver] | hierarchical next-vertex token + sparse voxel | geometry-guided AR | 体素特征/scaffold 约束 surface weaving | Tri | 18% token ratio，最高 16K faces | 仍串行；依赖 voxel scaffold |
| 26.06 [Mesh BDF][2606bdf] | barycentric dominance field | 兼容 3D diffusion | 表面场编码顶点连接 | Tri | topology-as-texture，可扩展 | 场离散化决定连通质量 |
| 26.07 [LATO.2][2607l2] | 分离 vertex/topology latent | 两个条件 flow | pairwise edges + loop detection | 显式 mesh | 解耦、更高分辨率/可编辑 | 两阶段与关系解码成本 |
| 26.07 [Nexus][2607nx] | octree vertices + Spacetime Interval | 两阶段 diffusion | 连续 per-vertex 拓扑嵌入 | 显式 mesh | 无排序、全局恢复 | 层级采样和解码复杂 |
| 26.07 [Meshy T2][2607t2] | 每顶点连续 latent | voxel flow → mesh flow | 单次解 vertex/edge/winding | 显式 mesh | 约 6 秒、预算控制、多部件 | VAE/scaffold 是质量上限 |

## 可用于综述的判断

1. **三角面难在规模，四边面难在结构。** 三角面天然是最小稳定面元，任意多边形都能三角化，生成器主要承担坐标精度、共享顶点和流形一致性；quad 除此之外还要学习全局方向场、奇点、成对边、edge loop 和 chart layout，局部正确并不推出全局可用。
2. **token 压缩经历了四级语义提升：** coordinate → adjacent face/edge traversal → patch/tree/frontier/LOD → continuous topology latent/field。越往后并行度越高，但越依赖 decoder 或提取器把连续预测还原成严格组合结构。
3. **AR 与 flow/diffusion 的真正分界是合法性来源。** AR 把局部连接规则放进生成顺序，慢但容易逐步约束；flow/diffusion 全局并行，快且无 ordering，但必须靠等变架构、结构化 latent、relation decoder 或连续场提取保证连接。
4. **未来 mesh foundation model 更可能是分层而非单一 token 流。** 合理层级是 shape/scaffold → vertices → topology/layout → face type/winding → UV/material；LATO.2、Nexus、Meshy T2 和 Strips as Tokens 已分别覆盖其中若干层。
5. **quad foundation model 需要混合监督。** 单有最终 quad mesh 不足以稳定学习，应同时保存结构线、cross-field、奇点、chart、edge-loop、tri/quad 混合位置及 UV；TopGen-220K 的数据设计比单一架构创新更可能成为可扩展基础。
6. **评价不能只用 Chamfer/FID。** 应分开报告几何误差、边界/非流形率、法线朝向、连通分量、valence/奇点分布、edge-loop 连续性、quad 正交性/长宽比、UV seam，以及相同质量下的 token 数、时延和显存。

## 本地来源索引

[2311]: ../papers/markdown/2311.15475_MeshGPT_Generating_Triangle_Meshes_with_Decoder-Only_Transformers/hybrid_auto/2311.15475_MeshGPT_Generating_Triangle_Meshes_with_Decoder-Only_Transformers.md
[2405nc]: ../papers/markdown/2405.13745_NeurCross_A_Neural_Approach_to_Computing_Cross_Fields_for_Quad_Mesh_Generation/hybrid_auto/2405.13745_NeurCross_A_Neural_Approach_to_Computing_Cross_Fields_for_Quad_Mesh_Generation.md
[2405xl]: ../papers/markdown/2405.20853_MeshXL_Neural_Coordinate_Field_for_Generative_3D_Foundation_Models/hybrid_auto/2405.20853_MeshXL_Neural_Coordinate_Field_for_Generative_3D_Foundation_Models.md
[2406]: ../papers/markdown/2406.10163_MeshAnything_Artist-Created_Mesh_Generation_with_Autoregressive_Transformers/hybrid_auto/2406.10163_MeshAnything_Artist-Created_Mesh_Generation_with_Autoregressive_Transformers.md
[2408]: ../papers/markdown/2408.02555_MeshAnything_V2_Artist-Created_Mesh_Generation_With_Adjacent_Mesh_Tokenization/hybrid_auto/2408.02555_MeshAnything_V2_Artist-Created_Mesh_Generation_With_Adjacent_Mesh_Tokenization.md
[2409]: ../papers/markdown/2409.18114_EdgeRunner_Auto-regressive_Auto-encoder_for_Artistic_Mesh_Generation/hybrid_auto/2409.18114_EdgeRunner_Auto-regressive_Auto-encoder_for_Artistic_Mesh_Generation.md
[2411]: ../papers/markdown/2411.07025_Scaling_Mesh_Generation_via_Compressive_Tokenization/hybrid_auto/2411.07025_Scaling_Mesh_Generation_via_Compressive_Tokenization.md
[2412]: ../papers/markdown/2412.09548_Meshtron_High-Fidelity_Artist-Like_3D_Mesh_Generation_at_Scale/hybrid_auto/2412.09548_Meshtron_High-Fidelity_Artist-Like_3D_Mesh_Generation_at_Scale.md
[2501]: ../papers/markdown/2501.14317_Nautilus_Locality-aware_Autoencoder_for_Scalable_Mesh_Generation/hybrid_auto/2501.14317_Nautilus_Locality-aware_Autoencoder_for_Scalable_Mesh_Generation.md
[2503tree]: ../papers/markdown/2503.11629_TreeMeshGPT_Artistic_Mesh_Generation_with_Autoregressive_Tree_Sequencing/hybrid_auto/2503.11629_TreeMeshGPT_Artistic_Mesh_Generation_with_Autoregressive_Tree_Sequencing.md
[2503deep]: ../papers/markdown/2503.15265_DeepMesh_Auto-Regressive_Artist-mesh_Creation_with_Reinforcement_Learning/hybrid_auto/2503.15265_DeepMesh_Auto-Regressive_Artist-mesh_Creation_with_Reinforcement_Learning.md
[2503craft]: ../papers/markdown/2503.23022_MeshCraft_Exploring_Efficient_and_Controllable_Mesh_Generation_with_Flow-based_DiTs/hybrid_auto/2503.23022_MeshCraft_Exploring_Efficient_and_Controllable_Mesh_Generation_with_Flow-based_DiTs.md
[2505]: ../papers/markdown/2505.16761_Mesh-RFT_Enhancing_Mesh_Generation_via_Fine-grained_Reinforcement_Fine-Tuning/hybrid_auto/2505.16761_Mesh-RFT_Enhancing_Mesh_Generation_via_Fine-grained_Reinforcement_Fine-Tuning.md
[2506]: ../papers/markdown/2506.07020_CrossGen_Learning_and_Generating_Cross_Fields_for_Quad_Meshing/hybrid_auto/2506.07020_CrossGen_Learning_and_Generating_Cross_Fields_for_Quad_Meshing.md
[2507]: ../papers/markdown/2507.02477_Topology-Preserved_Auto-regressive_Mesh_Generation_in_the_Manner_of_Weaving_Silk/hybrid_auto/2507.02477_Topology-Preserved_Auto-regressive_Mesh_Generation_in_the_Manner_of_Weaving_Silk.md
[2508v]: ../papers/markdown/2508.09062_VertexRegen_Mesh_Generation_with_Continuous_Level_of_Detail/hybrid_auto/2508.09062_VertexRegen_Mesh_Generation_with_Continuous_Level_of_Detail.md
[2508f]: ../papers/markdown/2508.19188_FastMesh_Efficient_Artistic_Mesh_Generation_via_Component_Decoupling/hybrid_auto/2508.19188_FastMesh_Efficient_Artistic_Mesh_Generation_via_Component_Decoupling.md
[2509mm]: ../papers/markdown/2509.19995_MeshMosaic_Scaling_Artist_Mesh_Generation_via_Local-to-Global_Assembly/hybrid_auto/2509.19995_MeshMosaic_Scaling_Artist_Mesh_Generation_via_Local-to-Global_Assembly.md
[2509ar]: ../papers/markdown/2509.20824_ARMesh_Autoregressive_Mesh_Generation_via_Next-Level-of-Detail_Prediction/hybrid_auto/2509.20824_ARMesh_Autoregressive_Mesh_Generation_via_Next-Level-of-Detail_Prediction.md
[2509q]: ../papers/markdown/2509.21420_QuadGPT_Native_Quadrilateral_Mesh_Generation_with_Autoregressive_Models/hybrid_auto/2509.21420_QuadGPT_Native_Quadrilateral_Mesh_Generation_with_Autoregressive_Models.md
[2510]: ../papers/markdown/2510.21264_Topology_Sculptor_Shape_Refiner_Discrete_Diffusion_Model_for_High-Fidelity_3D_Meshes_Generation/hybrid_auto/2510.21264_Topology_Sculptor_Shape_Refiner_Discrete_Diffusion_Model_for_High-Fidelity_3D_Meshes_Generation.md
[2512]: ../papers/markdown/2512.07514_MeshRipple_Structured_Autoregressive_Generation_of_Artist-Meshes/hybrid_auto/2512.07514_MeshRipple_Structured_Autoregressive_Generation_of_Artist-Meshes.md
[2603pro]: ../papers/markdown/2603.00526_Mesh-Pro_Asynchronous_Advantage-guided_Ranking_Preference_Optimization_for_Artist-style_Quadrilateral_Mesh_Generation/hybrid_auto/2603.00526_Mesh-Pro_Asynchronous_Advantage-guided_Ranking_Preference_Optimization_for_Artist-style_Quadrilateral_Mesh_Generation.md
[2603face]: ../papers/markdown/2603.01515_FACE_A_Face-based_Autoregressive_Representation_for_High-Fidelity_and_Efficient_Mesh_Generation/hybrid_auto/2603.01515_FACE_A_Face-based_Autoregressive_Representation_for_High-Fidelity_and_Efficient_Mesh_Generation.md
[2603lato]: ../papers/markdown/2603.06357_LATO_3D_Mesh_Flow_Matching_with_Structured_TOpology_Preserving_LAtents/hybrid_auto/2603.06357_LATO_3D_Mesh_Flow_Matching_with_Structured_TOpology_Preserving_LAtents.md
[2603tg]: ../papers/markdown/2603.10606_TopGen_Learning_Structural_Layouts_and_Cross-Fields_for_Quadrilateral_Mesh_Generation/hybrid_auto/2603.10606_TopGen_Learning_Structural_Layouts_and_Cross-Fields_for_Quadrilateral_Mesh_Generation.md
[2603topo]: ../papers/markdown/2603.24278_TopoMesh_High-Fidelity_Mesh_Autoencoding_via_Topological_Unification/hybrid_auto/2603.24278_TopoMesh_High-Fidelity_Mesh_Autoencoding_via_Topological_Unification.md
[2604strip]: ../papers/markdown/2604.09132_Strips_as_Tokens_Artist_Mesh_Generation_with_Native_UV_Segmentation/hybrid_auto/2604.09132_Strips_as_Tokens_Artist_Mesh_Generation_with_Native_UV_Segmentation.md
[2604sq]: ../papers/markdown/2604.27329_SQuadGen_Generating_Simple_Quad_Layouts_via_Chart_Distance_Fields/hybrid_auto/2604.27329_SQuadGen_Generating_Simple_Quad_Layouts_via_Chart_Distance_Fields.md
[2605ql]: ../papers/markdown/2605.16813_QuadLink_Autoregressive_Quad-Dominant_Mesh_Generation_via_Point-Relation_Learning/hybrid_auto/2605.16813_QuadLink_Autoregressive_Quad-Dominant_Mesh_Generation_via_Point-Relation_Learning.md
[2606a]: ../papers/markdown/2606.04621_MeshFlow_Efficient_Artistic_Mesh_Generation_via_MeshVAE_and_Flow-based_Diffusion_Transformer/hybrid_auto/2606.04621_MeshFlow_Efficient_Artistic_Mesh_Generation_via_MeshVAE_and_Flow-based_Diffusion_Transformer.md
[2606tri]: ../papers/markdown/2606.20131_TriFlow_Generating_Artist-Like_3D_Mesh_Topology_via_Nearest-Vertex_Vector_Fields/hybrid_auto/2606.20131_TriFlow_Generating_Artist-Like_3D_Mesh_Topology_via_Nearest-Vertex_Vector_Fields.md
[2606b]: ../papers/markdown/2606.23489_MeshFlow_Mesh_Generation_with_Equivariant_Flow_Matching/hybrid_auto/2606.23489_MeshFlow_Mesh_Generation_with_Equivariant_Flow_Matching.md
[2606weaver]: ../papers/markdown/2606.04688_MeshWeaver_Sparse-Voxel-Guided_Surface_Weaving_for_Autoregressive_Mesh_Generation/hybrid_auto/2606.04688_MeshWeaver_Sparse-Voxel-Guided_Surface_Weaving_for_Autoregressive_Mesh_Generation.md
[2606bdf]: ../papers/markdown/2606.31777_Mesh_BDF_Barycentric_Dominance_Field_for_3D_Native_Mesh_Generation/hybrid_auto/2606.31777_Mesh_BDF_Barycentric_Dominance_Field_for_3D_Native_Mesh_Generation.md
[2607l2]: ../papers/markdown/2607.10623_LATO.2_Factorized_3D_Mesh_Generation_with_Vertex_and_Topology_Flow/hybrid_auto/2607.10623_LATO.2_Factorized_3D_Mesh_Generation_with_Vertex_and_Topology_Flow.md
[2607nx]: ../papers/markdown/2607.13563_Nexus_Native_Mesh_Generation_with_Diffusion/hybrid_auto/2607.13563_Nexus_Native_Mesh_Generation_with_Diffusion.md
[2607t2]: ../papers/markdown/2607.28675_Meshy_T2_Fast_Native_Mesh_Generation_with_Flow_Matching/hybrid_auto/2607.28675_Meshy_T2_Fast_Native_Mesh_Generation_with_Flow_Matching.md