前面的模型能造出形状，但 marching cubes 出来的网格又密又"糊"、纹理还把光照烤死了。这一部讲攻 痛点 (d) 能用 的两条线： ① 自回归 mesh 生成——把面当 token、像艺术家一样吐干净拓扑（一场 tokenization 军备竞赛）； ② 纹理 / PBR 材质——从烤死光照走向同步、可重光照的 PBR。
marching cubes 的网格是稠密、过度细分、带格对齐伪影的——美术不会要。 自回归 mesh 生成把网格的顶点和面当成一串离散 token 来生成，产出紧凑、艺术家般的拓扑。
isosurface 网格太糊、面太多，没有艺术家那种利落拓扑。
关键想法：先用 VQ-VAE 学一套"几何 token 词表"（图卷积编码器跑在面邻接图上，让每个三角形 embedding 知道邻居的几何/拓扑），再用一个 GPT 式 decoder 预测下一个 token。从 PolyGen 的原始坐标 AR 升级成了学习压缩的 codebook。
相比 PolyGen（2002.10880，顶点/面纯坐标自回归），MeshGPT 引入学习的 VQ codebook + 图卷积 tokenizer——后面每篇都在攻它的效率。
(1) 规范排序：顶点/面按确定顺序排（如 z→y→x，面内从最小顶点逆时针），让一个 mesh 唯一对应一个序列。 (2) 量化坐标：连续 $(x,y,z)$ 离散到网格（7-bit = $128^3$，最高 9-bit = $512^3$），每个坐标成一个整数 token。 (3) 朴素 9 坐标/面：每个三角形 = 3 顶点 × 3 坐标 = 9 个 token，N 面网格 ≈ 9N token。一个被 6 个三角形共用的顶点被重复编码 6 次。 后果：4k 面 ≈ 36k token，8k 面就冲破常见上下文窗口，self-attention 还是平方代价。这就是卡住分辨率/面数的瓶颈——也是 §8.2 整条军备竞赛的战场。
每篇主要工作都是对那个 9N 代价的一次进攻：
9N 序列太长，高面数/高分辨率训不动。
关键想法：MeshAnything 给 MeshGPT 加形状条件（点云→艺术家拓扑）；AMT（v2）遇相邻面只发一个新顶点、复用已发顶点（~省一半）；EdgeRunner 沿边遍历 + 定长 latent 自编码（4k 面、$512^3$）；BPT 块坐标索引 + 面 patch 化（~省 75%，8k+ 面）。
序列长度逐篇腰斩：朴素 → AMT(~50%) → BPT(~25%)，面数预算随之翻番。
继续压：Nautilus（2501.14317，按"壳"组织面、尊重流形局部性）、 TreeMeshGPT（2503.11629，沿邻接树生长、2 token/面、法线一致）、 Mesh Silksong（2507.02477，每顶点只访问一次，~省 50%、保证水密/流形）、 DeepMesh（2503.15265，首个把 RL/DPO 引入 mesh-AR，做到 ~30k 面）。 MeshArt 还把它推到带关节的可动网格（结构先行、再逐部件几何）。
另一支不发明花哨 tokenizer，而是简单到能直接套 LLM：MeshXL（2405.20853， Neural Coordinate Field，scale 模型/数据而非 tokenizer）、LLaMA-Mesh（2411.09595， 把顶点/面当纯文本数字，现成 LLaMA tokenizer 直接生成，文本↔mesh 对话）。
mesh-AR 正在和原生扩散合流：扩散生成稠密形状（CraftsMan、3DTopia-XL、Hunyuan3D-DiT）， AR / remesh tokenizer 给出干净艺术家拓扑。最新的 FACE（2603.01515， "一面一 token"把序列砍 ~9×）干脆把 face 级 AR latent 和图像→mesh latent diffusion 缝在一起。 这条军备竞赛的终点，越来越像"diffusion 管形状、AR 管拓扑"。
几何有了，还得上色。最早一代逐视角"渲深度 → 扩散补图 → 反投影到图集"地迭代上色：
怎么按文字给一个给定 mesh 上纹理。
关键想法：从一个视角渲 depth → depth 条件的扩散生成图 → 反投影回纹理图集 → 一个 trimap（保留/refine/生成）驱动下一个视角的 inpainting。Text2Tex 加逐 texel 动态 mask + 自动选下一最佳视角。
确立了经典"project-and-inpaint"循环——但视角间独立、串行，埋下了 drift 与接缝的隐患。
逐视角串行 inpaint → 颜色/风格drift、UV 与视角边界接缝。
关键想法：同步去噪所有视角——每步在 UV(纹理)域共享/混合 latent，让视角早早达成共识（SyncMVD）；或直接在 UV 图集上扩散并去光照（Paint3D）；MVPaint 做到基本不依赖 UV 展开；RomanTex 用 3D-aware RoPE 把 2D 多注意力绑到几何上、改善背面。
从"串行独立去噪"变成"联合同步去噪"——drift 与接缝基本消失。
迭代 RGB 方法把高光、阴影、固定光向烤进颜色——单帧好看，进引擎重光照就崩。生产要的是 PBR： albedo（无光照基色）+ metallic-roughness（怎么反光）+ normal（表面微细节），由渲染器配任意环境光合成。
烤死光照的纹理无法重光照（痛点 d 的"能用"）。
关键想法：Paint-it 用卷积重参数化 + SDS 优化出干净 PBR；FlashTex 用 LightControlNet 把材质和光照解耦、~10× 提速；MaterialMVP 做端到端多视图 PBR 扩散（光照无关 albedo + 对齐的 metallic-roughness）；Hunyuan3D-Paint 2.1 是首个开源生产级多视图 PBR。
输出从"带光照 RGB"变成光照无关的 albedo + MR + normal 栈——资产可重光照、能进游戏/影视。
还有非扩散的前馈路线 TexGaussian（2411.19654，八叉树高斯一次前向回归 PBR）， 以及把材质和几何一起生成的 3DTopia-XL（PrimX 里就带 albedo+材质，见 §7.1）。 统一的终点：Hunyuan3D 2.x / Step1X-3D 把同步 PBR 直接折进"几何 + 材质"一个系统。
① mesh-AR = 一场 tokenization 效率军备竞赛：PolyGen → MeshGPT（VQ codebook）→ AMT/EdgeRunner/BPT（压序列）→ 局部性/访问一次（Nautilus/Silksong）→ DeepMesh（DPO，30k 面）→ FACE（一面一 token），并与扩散合流（diffusion 出形状、AR 给拓扑）。 ② 纹理 = 从烤死的迭代 inpaint 走向同步 PBR：TEXTure/Text2Tex（drift+接缝）→ SyncMVD/Paint3D/MVPaint/RomanTex（同步/UV/3D-aware，消接缝）→ Paint-it/FlashTex/MaterialMVP/Hunyuan3D 2.1（可重光照 PBR），最终被折进统一的几何+材质系统。