LATO.2 : Génération factorisée de maillages 3D avec flux de sommets et de topologie

Résumé

L'appariement de flots (flow matching) sur des représentations latentes soigneusement conçues est récemment devenu un paradigme puissant pour la génération de maillages respectueux de la topologie. Cependant, les approches existantes modélisent conjointement les sommets et la connectivité dans un espace latent commun, ce qui enchevêtre la géométrie continue des sommets et la structure combinatoire discrète ; cela complique l'apprentissage du flot et se manifeste par une dérive des sommets et des surfaces brisées. Nous présentons LATO.2, un cadre d'appariement de flots factorisé qui décompose la génération de maillage en un flot de sommets suivi d'un flot de connectivité conditionné par les sommets réalisés, les deux étapes étant ancrées à un échafaudage voxel grossier partagé. Des VAE dédiés sous-tendent les deux étapes, récupérant les sommets avec une précision sub-voxel et intégrant la connectivité discrète dans un espace latent continu. Nous démontrons deux avantages propres à cette factorisation : (i) la génération par parties, où l'échafaudage est partitionné et chaque partie synthétisée à pleine capacité latente, produisant des maillages de résolution nettement plus élevée qu'un latent monolithique ne le permet ; et (ii) l'édition adaptative à la topologie, où la manipulation des sommets de la première étape induit la connectivité correspondante sans réoptimisation. Les expériences montrent que LATO.2 surpasse les générateurs de maillage topologiquement informés de pointe en termes de fidélité géométrique et de qualité de la connectivité.

English

Flow matching over carefully designed latent representations has recently emerged as a powerful paradigm for topology-aware mesh generation. Existing approaches, however, model vertices and connectivity jointly in a joint latent space, entangling continuous vertex geometry with discrete combinatorial structure; this complicates flow learning and manifests as drifting vertices and broken surfaces. We present LATO.2, a factorized flow matching framework that decomposes mesh generation into a vertex flow followed by a connectivity flow conditioned on the realized vertices, with both stages anchored to a shared coarse voxel scaffold. Dedicated VAEs underpin the two stages, recovering vertices at sub-voxel precision and embedding discrete connectivity into a continuous latent space. We demonstrate two advantages unique to this factorization: (i) part-wise generation, in which the scaffold is partitioned and each part synthesized at full latent capacity, yielding substantially higher-resolution meshes than a monolithic latent permits; and (ii) topology-adaptive editing, in which manipulating first-stage vertices induces the corresponding connectivity without re-optimization. Experiments show that LATO.2 surpasses state-of-the-art topology-aware mesh generators in geometric fidelity and connectivity quality.