SILSA: rappresentazioni latenti di sezioni a finestra scorrevole per la generazione 3D ad alta risoluzione che preserva la topologia

Abstract degli autori

La generazione 3D ad alta risoluzione si affida sempre più a rappresentazioni latenti basate su voxel e a pipeline in più fasi, che prima prevedono la struttura attiva e poi sintetizzano la geometria locale. Pur essendo efficace, questo approccio frammenta le superfici continue in molti token locali, aumenta il costo della generazione e spesso compromette la coerenza topologica delle forme sottili o con molte connessioni. Presentiamo SILSA, un sistema di generazione 3D attento alla topologia che rappresenta le forme mediante rappresentazioni latenti compatte di sezioni a finestra scorrevole. Anziché generare costosi token basati su voxel, SILSA usa un insieme fisso di sezioni sovrapposte lungo i tre assi canonici: ciascun token riassume una finestra locale lungo la profondità, preservando la continuità delle sezioni trasversali e consentendo la generazione in un’unica fase tramite rectified flow. Un Slice VAE codifica campioni orientati della superficie in rappresentazioni latenti di sezioni lungo più assi e li ricostruisce con un decoder volumetrico sparso, mentre un Volumetric Anchor Lattice coordina i flussi di sezioni nelle diverse direzioni attraverso uno spazio di lavoro 3D condiviso. Per preservare la correttezza strutturale, introduciamo una supervisione topologica a livello di sezione che fa corrispondere i diagrammi di persistenza e allinea le transizioni di Betti tra sezioni adiacenti. Gli esperimenti mostrano che SILSA migliora la fedeltà strutturale riducendo notevolmente il costo della generazione. Rispetto al migliore termine di confronto, SILSA migliora il PSNR dell’$8.7\%$, la copertura di $5.96$ punti assoluti e l’errore di Betti del $9.2\%$. Usa inoltre il $70.0\%$ di token in meno rispetto al termine di confronto immediatamente successivo per compattezza e oltre il $98\%$ in meno rispetto ai tokenizzatori sparsi o gerarchici, riducendo di fatto la memoria necessaria per l’addestramento del $40.4\%$ e il tempo di inferenza del $58.5\%$. I risultati qualitativi mostrano inoltre una migliore preservazione delle strutture sottili, dei componenti ripetuti e della connettività a lungo raggio.