Flow3D-Pro：把低分几何的流轨迹引向配对的高分形状

如何让低分三维几何的生成路径有明确的改进方向？

1. 1

   先建立几何SFT起点

   图3左侧用DINOv2图像条件和ShapeVAE几何潜变量训练流模型。在Hunyuan3D 2.1骨干上用5000个精选形状做SFT；后训练只改第一阶段，LATTICE细化器冻结。

2. 2

   同图采样、评分并分出正负结果

   每张图像采样8个结果，Gemini 3.1 Pro读取参考图和6个规范视角，以重建保真、几何合理性、朝向3:2:1给出1至5级奖励。按组内均值和标准差计算优势，零优势样本不参与正负集合；这只是可见几何判断。

3. 3

   给负样本指定不同的正样本终点

   图3中部以潜变量平方距离构造代价矩阵，通过匈牙利算法一对一匹配。同一条件内正负集合取相同数量；正样本过多优先高优势，负样本过多随机取。局部一对一减少争抢单个目标，但潜空间距离未必等于语义或拓扑距离。

4. 4

   在负样本路径上学习动态归航

   在噪声与负终点之间插值到x_t，用到目标正终点的剩余位移除以1−t作为速度目标。实际损失用等价的有界残差形式，避免目标在终点附近数值发散；它不是沿着每条完整随机采样轨迹保存监督。

5. 5

   混合正样本拟合和参考约束

   总目标由0.9正样本流匹配、0.1负样本归航及权重1的冻结参考速度均方约束组成，并做正优势加权。该约束没有计算策略KL。异步28张GPU采样、4张GPU训练，按版本控制样本新鲜度。

6. 6

   普通流积分生成，再做冻结细化

   推理第一阶段50步ODE，第二阶段5步ODE，最终细化网格分辨率1536。证明中的固定匹配和速度场收缩是理想分析条件；实际神经网络更新、不断重配对及跨条件泛化仍需实验检验。

完整阅读正文、参考文献及附录A–C，核对证明假设、奖励提示、超参数与消融；视检原图3。未复现训练、人工评分或生成。

核对论文公开链接并检索官方实现入口，尚未核实该方法的独立训练代码或检查点。Hunyuan3D和LATTICE作为上游模型的开放状态不能替代Flow3D-Pro本身的开放证据。

LICENSEarXiv非独占托管许可；原图3仅作必要方法评论，版权归作者。方法实现和权重许可尚未核实，上游许可应分别检查。