LATO.2: Факторизованная генерация 3D-сеток с потоком вершин и топологии

Аннотация

Потоковое согласование над тщательно сконструированными латентными представлениями недавно стало мощной парадигмой для генерации сеток с учетом топологии. Однако существующие подходы моделируют вершины и связность совместно в едином латентном пространстве, запутывая непрерывную геометрию вершин с дискретной комбинаторной структурой; это усложняет обучение потокам и проявляется в виде дрейфующих вершин и разрушенных поверхностей. Мы представляем LATO.2 — факторизованный фреймворк согласования потоков, который разбивает генерацию сетки на поток вершин, за которым следует поток связности, обусловленный реализованными вершинами, при этом оба этапа привязаны к общему грубому воксельному каркасу. Выделенные VAE лежат в основе обоих этапов, восстанавливая вершины с субвоксельной точностью и встраивая дискретную связность в непрерывное латентное пространство. Мы демонстрируем два преимущества, уникальных для этой факторизации: (i) генерация по частям, при которой каркас разбивается, и каждая часть синтезируется с полной латентной емкостью, что приводит к значительно более высокому разрешению сеток, чем при монолитном латентном представлении; и (ii) топологически-адаптивное редактирование, при котором манипулирование вершинами первого этапа индуцирует соответствующую связность без повторной оптимизации. Эксперименты показывают, что LATO.2 превосходит современные генераторы сеток с учетом топологии по геометрической точности и качеству связности.

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.