[CVPR 2025] FACE：从顶点到面片，开启高保真 3D 网格生成的新范式

TL;DR

在 3D 生成领域，直接生成高质量的三角网格（Triangle Mesh）一直是“圣杯”任务。本文提出的 FACE (Face-based Autoregressive Representation) 突破了传统自回归模型依赖冗长顶点序列的瓶颈。通过首创的 “一面一标记”（one-face-one-token） 策略，FACE 将计算效率提升了 9 倍，压缩比达到 0.11 的 SOTA 水平，同时在模型重建精度上刷新了多项记录。

核心痛点：被“淹没”在坐标序列里的 Transformer

目前的自回归模型（如 MeshGPT, MeshXL）大多遵循一个逻辑：将 3D 网格拆解为一串顶点坐标或边缘序列。

• 效率低下：一个简单的模型若包含数千个面，对应的坐标序列长度会轻松突破万级。Transformer 的自注意力计算成本随长度平方增长，这导致长序列生成变得极其昂贵。
• 语义缺失：单一坐标值（x, y 或 z）缺乏几何语义，模型需要跨越极长的步长才能“理解”三个顶点如何构成一个面。

FACE 的作者认为：我们选错了语义层级。既然三角面片是网格的基本构建块，为什么不直接以“面”为单位进行生成？

核心方法：One-Face-One-Token

FACE 框架的核心是一个 Autoregressive Autoencoder (ARAE) 结构。

1. 架构解析

• Shape Encoder (VecSet)：利用 Farthest Point Sampling (FPS) 采样点作为 Query，通过 Cross-Attention 聚合全局点云特征，生成紧凑的隐变量集合（VecSet）。
• One-Face-One-Token 策略：不再将面拆分为 9 个坐标 Token，而是通过一个 Face Pooling 层将 9D 向量直接投影为一个 $d_{model}$ 维度的 Token。
• 层级自回归头 (CausalMLP)：这是本文的神来之笔。在面级别，Transformer 负责整体布局；在面内部，CausalMLP 负责 9 个坐标的因果预测。这种设计既保证了全局的一致性，又捕捉了局部的精确度。

图 1：FACE 的端到端流程。编码器将点云压缩为 VecSet，解码器以面为单位进行自回归生成。

实验战绩：效率与质量的双重飞跃

1. 效率：极致压缩

如表 1 所示，FACE 的压缩比达到了 0.11，相比于此前的 SOTA 方法（如 Mesh-Silksong 的 0.22）直接减半。这意味着在相同的显存预算下，FACE 可以生成面数更多、更复杂的几何体。

2. 重建精度：降维打击

在 Objaverse 和 Toys4K 数据集上，FACE 展现了统治级的表现。其 Hausdorff 距离（HD）和 Chamfer 距离（CD）均显著低于过往方法。

图 2：可视化对比显示，FACE 生成的网格（右一）在拓扑连续性和细节锐度上远超对手，完全没有碎面或孔洞。

深度洞察：为什么这种简洁的策略更有效？

1. 空间排序胜过图遍历：作者对比了 BFS/DFS 等复杂的图遍历排序，发现简单的 ZYX 字典序排列 效果最好。这说明在面级别，简单的空间一致性已足以让模型学习到连接律。
2. 潜空间的通用性：为了证明 FACE 学习到了真正的 3D 几何特征，作者额外训练了一个 Latent Diffusion Model。实验证明，基于 FACE 学习到的隐空间，仅需单张图片即可生成高保真网格，这验证了该框架在多模态应用中的潜力。

总结与展望

FACE 标志着 3D 自回归生成从“坐标时代”进入了“面片时代”。尽管 1024 级的离散量化仍存在精度上限，且对极细结构（如自行车辐条）的采样有待加强，但其 1.2B 参数规模的成功扩展（Ours-large）展示了该路径极强的 Scaling Law 潜力。

资深主编点评：FACE 的成功在于其“大道至简”的直觉。在大家卷遍历算法和分块索引时，回归 3D 渲染最基本的单元——三角面，反而取得了突破性的进展。这再次提醒我们，合适的表示法（Representation）往往比复杂的架构微调更重要。