LATO.2：把顶点生成和连接关系拆开，支持部件重组

图 2 为何需要两种 VAE、两条 flow，而不是一次生成完整网格？

1. 1

   用 V-VAE 保留连续顶点位置

   图左上将顶点距离场与体素特征编码为稀疏潜变量，从 1024 级体素定位并用 offset head 恢复子体素坐标。它把“顶点在哪里”与离散连边分开；潜变量容量有限，量化和稀疏结构错误仍会影响细部。

2. 2

   用 T-VAE 学习顶点之间的组合结构

   图右上把顶点位置嵌入，训练时利用真实连边掩码帮助编码拓扑，再由对称顶点对预测头给出连接关系并恢复面。连边预测涉及顶点对，不会因为称作 flow 就消除随顶点数增长的组合成本。

3. 3

   先跑 V-Flow，再以生成出的顶点驱动 T-Flow

   图下 V-Flow 读取图像 DINO 特征、粗体素骨架及 log₂ 顶点数条件；T-Flow 随后使用实际生成的顶点与骨架生成拓扑潜变量。这个顺序允许固定顶点后重连面，但拓扑阶段不回头移动几何错误的顶点。

4. 4

   把部件放回整体坐标再重新连接

   部件在统一归一化坐标中利用各自潜变量容量生成，之后对顶点并集生成连接，或生成各部件后拼接。移动部件可诱导新拓扑；“接缝连接”是几何连面，不等于 UV 纹理接缝连续，更没有自动产生粗糙度、金属度或去光照材质。

以下为作者报告；已阅读 v2 全文及可用附录，本站未独立执行研究实验。实验条件与编辑解读分别列出。

首发 07-12，阅读 07-20 的 v2，明确作为近 90 天回顾。官方仓库含顶点/拓扑网络及推理代码，Hugging Face 有 vvae、vflow、tvae、tflow 等实际 .pt 文件；未下载大权重或执行推理。

LICENSE仓库 LICENSE 与权重模型卡标 MIT；外部 TRELLIS 等组件各自授权。论文为 arXiv 非独占分发，必要图 2 引用不扩大图片许可。