FACE: A Face-based Autoregressive Representation for High-Fidelity and Efficient Mesh Generation

إليك ملخص تقني مفصل لورقة البحث بعنوان: "FACE: تمثيل ذاتي الانحدار قائم على الأوجه لتوليد شبكات ثلاثية الأبعاد عالية الدقة وفعالة" (FACE: A Face-based Autoregressive Representation for High-Fidelity and Efficient Mesh Generation).

1. بيان المشكلة (Problem Statement)

تعاني النماذج الحالية ذاتية الانحدار (Autoregressive - AR) لتوليد الشبكات ثلاثية الأبعاد (Meshes) من عقبة جوهرية: عدم الكفاءة الحسابية بسبب تسلسلات الرموز (Tokens) الطويلة.

• الوضع الراهن: تعتمد الطرق الحالية (مثل MeshGPT وMeshXL) على تسطيح الشبكة إلى تسلسل أحادي البعد من إحداثيات الرؤوس الفردية. وبما أن وجه المثلث يتكون من 3 رؤوس (أي 9 إحداثيات)، فإن طول التسلسل $S$ يكون $9 \times N$ (حيث $N$ هو عدد الأوجه).
• العقبة: تعتمد نماذج المحولات (Transformers) ذاتية الانحدار على آليات الانتباه الذاتي (Self-attention) ذات التعقيد التربيعي $O(S^2)$. إن طول التسلسل الضخم المطلوب للشبكات عالية الدقة يجعل التدريب والاستدلال مكلفين حسابياً، مما يحد من دقة وتعقيد الأشكال المولدة.
• محدودية الحلول السابقة: غالباً ما تؤدي المحاولات السابقة للتخفيف من ذلك عبر خوارزميات التتبع المعقدة أو الفهرسة الكتلية إلى إدخال الهشاشة، أو تعطيل البنية العالمية، أو تؤدي إلى تضخم حجم القواميس (Vocabulary sizes)، وهي تعالج العرض (الطول) بدلاً من السبب الجذري (المستوى الدلالي).

2. المنهجية: إطار عمل FACE (Methodology: The FACE Framework)

يقترح المؤلفون FACE، وهو مشفر تلقائي ذاتي الانحدار (ARAE) مبتكر يعيد تصور توليد الشبكات من خلال العمل على مستوى الوجه (Face level) بدلاً من مستوى الرأس (Vertex level).

الابتكار الجوهري: "وجه واحد لكل رمز" (One-Face-One-Token)

بدلاً من معاملة 9 إحداثيات كـ 9 رموز منفصلة، يعامل FACE كل وجه مثلث كـ رمز موحد واحد.

• تقليص التسلسل: هذا يقلل طول التسلسل بمعامل قدره 9 ($S = N$ بدلاً من $9N$).
• الأثر على التعقيد: هذا يقلل نظرياً من التكلفة الحسابية للانتباه الذاتي بمعامل قدره $9^2 = 81$، مما يتيح توليداً قابلاً للتوسع للشبكات عالية الدقة.

مكونات البنية (Architecture Components)

يتكون إطار العمل من مرحلتين رئيسيتين:

1. مشفر الشكل (VecSet Encoder):

   • المدخلات: سحابة نقاط $P$ (الإحداثيات XYZ + المتجهات الطبيعية/Normals).
   • الآلية: يعتمد على بنية 3DShape2VecSet. يستخدم أخذ عينات النقاط الأبعد (Farthest Point Sampling - FPS) لاختيار نقاط الاستعلام، والتي تتواصل مع سحابة النقاط الكاملة عبر "الانتباه المتقاطع" (Cross-Attention) لتجميع الهندسة العالمية.
   • المخرجات: تمثيل كامن مدمج ومنظم يسمى VecSet ($C$)، والذي يعمل كإشارة شرطية عالمية.

2. فك تشفير الأوجه ذاتي الانحدار (Autoregressive Face Decoder):

   • المدخلات: الـ VecSet الكامن $C$ وتسلسل الأوجه التي تم توليدها مسبقاً.
   • تضمين الوجه (Face Embedding): يقوم نموذج MLP خفيف الوزن بإسقاط متجه الإحداثيات ذي الـ 9 أبعاد لوجه ما إلى رمز واحد ذي أبعاد $d_{model}$ ("تجميع الأوجه" - Face Pooling).
   • معالجة المحول (Transformer Processing):
     • الانتباه الذاتي السببي (Causal Self-Attention): يعمل على نمذجة البنية المحلية والاتصال للشبكة بناءً على تسلسل الأوجه المولدة.
     • الانتباه المتقاطع (Cross-Attention): يضخ سياق الشكل العالمي من الـ VecSet الخاص بالمشفر $C$ في كل طبقة لضمان الاتساق مع الهندسة المستهدفة.
   • رأس فك تشفير الوجه (CausalMLP Decoding Head):
     • بخلاف فك التشفير المتوازي القياسي، يستخدم هذا الرأس CausalMLP لفك تشفير الـ 9 إحداثيات للوجه بشكل متسلسل.
     • يعتمد التنبؤ بالإحداثي رقم $j$ على متجه الوجه الكامن وعلى الإحداثيات التي تم التنبؤ بها مسبقاً داخل نفس الوجه. هذا الانحدار الذاتي الهرمي (على مستوى الوجه + على مستوى الإحداثي) يضمن توليداً قوياً.

توسعة (صورة-إلى-شبكة) (Image-to-Mesh Extension)

يتحقق المؤلفون من تعدد استخدامات الفضاء الكامن المتعلم عبر تدريب محول انتشار (Diffusion Transformer - DiT).

• يقوم الـ DiT بإزالة الضجيج من الـ VecSet الكامن المشروط بخصائص الصورة (المستخرجة عبر DINOv3).
• بعد ذلك، يقوم فك تشفير FACE المدرب مسبقاً بإعادة بناء الشبكة من الـ VecSet الكامن المولد، مما يتيح توليد شبكات عالية الدقة من صورة واحدة دون الحاجة لإعادة ضبط (Fine-tuning) لفك التشفير.

3. المساهمات الرئيسية (Key Contributions)

1. نموذج جديد: تقديم استراتيجية "وجه واحد لكل رمز"، مما ينقل التوليد ذاتي الانحدار من مستوى الرأس إلى المستوى الدلالي للوجه.
2. كفاءة غير مسبوقة: يحقق نسبة ضغط قدرها 0.11 (طول التسلسل بالنسبة لخط الأساس المعتمد على رمز واحد لكل إحداثي)، مما يقلل طول التسلسل إلى النصف مقارنة بأفضل النتائج السابقة (0.22).
3. جودة تضاهي أحدث ما توصل إليه العلم (SOTA): يثبت أن هذا المكسب في الكفاءة لا يؤثر على الدقة. يحقق FACE جودة إعادة بناء هي الأفضل (أقل مسافات Hausdorff وChamfer) في عدة اختبارات معيارية.
4. فضاء كامن متعدد الاستخدامات: يثبت أن الفضاء الكامن المتعلم قوي وقابل للتعميم من خلال النجاح في تمكين المهام اللاحقة مثل توليد (صورة-إلى-شبكة) عبر الانتشار الكامن.

4. النتائج التجريبية (Experimental Results)

• مجموعات البيانات: تم التقييم على Objaverse و Toys4K و Famous (أشكال أيقونية ومعقدة).
• الأداء الكمي:
  • إعادة البناء: يتفوق FACE بشكل كبير على النماذج المرجعية (MeshAnything, MeshAnythingV2, TreeMeshGPT, BPT).
    • مثال: في مجموعة بيانات Famous، حقق FACE مسافة Hausdorff قدرها 0.077، مقارنة بـ 0.143 لأفضل طريقة تالية (BPT).
  • الضغط: حقق نسبة ضغط عملية قدرها 0.11، مقارنة بـ 0.22 لأفضل النتائج السابقة.
• النتائج النوعية:
  • تُظهر الشبكات المولدة أخطاءً طوبولوجية أقل (ثقوب، قطع منفصلة) وتحافظ بشكل أفضل على الميزات الحادة مقارنة بالنماذج المرجعية.
  • في مهام (صورة-إلى-شبكة)، ينتج FACE هياكل أكثر توافقاً وتفصيلاً (مثل شخصيات الليغو، والطيور) مقارنة بـ EdgeRunner.
• دراسات الاستئصال (Ablation Studies):
  • الترتيب: تفوق الترتيب اللغوي البسيط ZYX sorting على التتبع الرسومي المعقد (DFS/BFS).
  • فك التشفين: تفوق رأس CausalMLP بشكل كبير على استراتيجيات فك التشفير المتوازية والقائمة على الانتباه.
  • التوسع (Scaling): أظهر نموذج أكبر (1.2 مليار معلمة، وتكميم بدقة 1024) دقة أعلى، مما يؤكد قابلية إطار العمل للتوسع.

5. الأهمية (Significance)

يمثل FACE تحولاً جذرياً في النمذجة التوليدية ثلاثية الأبعاد. فمن خلال إدراك أن الوحدة الأساسية لبناء الشبكة هي الوجه وليس الرأس، تجاوز المؤلفون الحاجز الحسابي التربيعي الذي حد من النماذج ذاتية الانحدار.

• القابلية للتوسع: تخفض هذه الطريقة الحاجز أمام توليد أصول ثلاثية الأبعاد عالية الدقة ومعقدة، مما يجعل توليد الشبكات عالية الدقة ممكناً من الناحية الحسابية.
• أساس للأعمال المستقبلية: يشير التكامل الناجح مع نماذج الانتشار إلى أن FACE يوفر تمثيلاً قوياً وقابلاً للتعميم للأشكال ثلاثية الأبعاد، مما يمهد الطريق لسير عمل توليد ثلاثي الأبعاد متعدد الوسائط (مثل نص-إلى-شبكة، وصورة-إلى-شبكة).
• البساطة: يحقق هذا النهج هذه المكاسب من خلال الأناقة الهيكلية بدلاً من مخططات الضغط المعقدة والخاسرة، مما يقدم حلاً بسيطاً وقابلاً للتوسع للصناعة.