Position Forcing：让几何潜变量逐步告诉模型自己在哪里

无序几何token如何在一次生成轨迹里获得逐步可靠的空间位置？

1. 1

   先让token同时保存几何与位置

   VoxSet编码器以带抖动的空间query产生64维latent。先冻结原VAE，只训练4层Transformer位置解码器，以query坐标作逐token L1监督；再联合优化几何TSDF重建、位置损失与权重10⁻⁶的KL项。几何编码器/解码器为8/16层。

2. 2

   训练时用真值位置，而不是展开自条件轨迹

   冻结Position VAE，用DINOv2-Giant图像特征与几何token进入12个双流、24个单流块的DiT。Flow matching每次只抽一个时刻，位置来自VAE query真值，不来自前一步模型预测。量化后半数样本加入每轴−1/0/1扰动；单格阶段不扰动。

3. 3

   先预测干净latent，再反馈下一步

   推理从纯噪声与统一位置开始；每步速度v得到z₀估计=zₜ−tv，再经位置解码器恢复坐标。将坐标量化到下一步网格，并通过3D RoPE条件化下一次速度预测。图2画法较简化，准确的数据流以正文公式11–14和算法1的干净态恢复为准。

4. 4

   逐步细化空间格并抽取几何

   R(t)=clip(2^floor(9−10t),1,128)，各级坐标映射至128参考坐标系。训练先4096后6144个token，推理12288个token、1022²输入、50步Euler、CFG5、BF16；条件和无条件分支共享位置。最终在512分辨率用dmc模式抽取零等值面。

完整正文、附录A.1–A.5、算法1及作者项目页已核对；未独立运行模型。

作者项目页提供交互几何示例和采样轨迹。核查时未见代码仓库、模型卡或权重下载链接，不能称已开源模型。

LICENSE论文与所引原图为CC BY 4.0；项目页模板的CC BY-SA 4.0不等于模型或演示资产许可。