LATO.2: gefactoriseerde 3D mesh-generatie met vertex- en topologiestroom

Samenvatting

Flow matching over zorgvuldig ontworpen latente representaties is recentelijk uitgegroeid tot een krachtig paradigma voor topologiebewuste meshgeneratie. Bestaande aanpakken modelleren vertices en connectiviteit echter gezamenlijk in een gezamenlijke latente ruimte, waardoor continue vertexgeometrie wordt verstrengeld met discrete combinatorische structuur; dit bemoeilijkt het flow-leren en uit zich in afdrijvende vertices en gebroken oppervlakken. Wij presenteren LATO.2, een gefactoriseerd flow matching raamwerk dat meshgeneratie ontleedt in een vertex-flow gevolgd door een connectiviteitsflow geconditioneerd op de gerealiseerde vertices, waarbij beide fasen verankerd zijn aan een gedeeld grof voxel-skelet. Specifieke VAE's ondersteunen de twee fasen, herstellen vertices met subvoxelprecisie en bedden discrete connectiviteit in een continue latente ruimte in. We tonen twee voordelen aan die uniek zijn voor deze factorisatie: (i) partsgewijze generatie, waarbij het skelet wordt opgedeeld en elk onderdeel op volledige latente capaciteit wordt gesynthetiseerd, wat aanzienlijk hogeresolutiemeshes oplevert dan een monolithisch latent toestaat; en (ii) topologieadaptief bewerken, waarbij het manipuleren van vertices uit de eerste fase de bijbehorende connectiviteit induceert zonder heroptimalisatie. Experimenten tonen aan dat LATO.2 state-of-the-art topologiebewuste meshgeneratoren overtreft in geometrische getrouwheid en connectiviteitskwaliteit.

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.