基于八叉树的自适应标记化的高效自回归形状生成

许多 3D 生成模型依赖变分自编码器 (VAE) 来学习紧凑的形状表示。然而，现有方法将所有形状编码为固定大小的标记，忽略了 3D 数据中尺度和复杂度差异的内在特征。这导致潜在表示效率低下，可能影响下游生成。我们通过引入基于八叉树的自适应标记化 (Octree-based Adaptive Tokenization)，构建一个根据形状复杂度调整潜在表示维度的新型框架。该方法基于二次误差导数驱动的细分准则构建自适应八叉树结构，并通过查询式变换器为每个八叉树单元分配形状潜在向量。基于此标记化，我们开发了基于八叉树的自回归生成模型，有效利用这些可变大小的表示进行形状生成。广泛的实验表明，我们的方法在固定大小方法中将标记数量减少 50%，同时保持可 Comparable 的视觉质量。当使用相同标记长度时，我们的方法生成的形状质量显著更高。当融入下游生成模型后，我们的方法比现有方法创建更详细、更具多样性的 3D 内容。