LATO.2: 頂点とトポロジーフローを用いた分解型3Dメッシュ生成

要旨

注意深く設計された潜在表現に基づくフローマッチングは、最近、トポロジーを考慮したメッシュ生成の強力なパラダイムとして登場している。しかし既存の手法は、頂点と接続性を共同の潜在空間で同時にモデル化しており、連続的な頂点形状と離散的な組合せ構造が絡み合っている。このため、フロー学習が複雑化し、頂点のドリフトや表面の断裂として現れる。本稿では、LATO.2を提案する。これは分解されたフローマッチングフレームワークであり、メッシュ生成を頂点フローと、実現された頂点に条件付けられた接続性フローに分解し、両方の段階を共有の粗いボクセル足場に固定する。専用のVAEが二段階を支え、サブボクセル精度で頂点を復元し、離散的な接続性を連続的な潜在空間に埋め込む。この分解に固有の二つの利点を示す。(i) 部分ごとの生成：足場を分割し、各部分を潜在容量フルに合成することで、単一の潜在表現よりも大幅に高解像度のメッシュを実現する。(ii) トポロジー適応編集：第一段階の頂点を操作することで、再最適化なしに対応する接続性を誘発する。実験により、LATO.2は幾何学的忠実度と接続性品質において、最先端のトポロジー認識メッシュ生成手法を凌駕することを示す。

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.