Tetris3D：让生成物体按支撑关系彼此贴合
邻近表面与物理关系进入每个体素；学到的接触先验仍不是硬约束
从一张图重建多物体场景，难点常藏在被遮住的接触面。Tetris3D按支撑依赖顺序生成对象，把已生成邻居的表面距离、方向、法向及堆叠/倚靠/容纳关系注入TRELLIS.2体素；不可见区域另从可见token交叉注意力补全。ComOb用约40万目标物体与12种基元构造120万稳定场景。实验支持更少穿透和更稳的布局，但真实深度、估计深度与自由场景推理必须分开看。
图解主要方法
物理交互能否直接指导遮挡形状补全，而不仅在生成后检查穿透？
- 1
先建立带置信度的物理生成顺序
MoGe3估深度与相机、SAM3分割、Qwen3-VL-30B识别对象和支撑关系。stack/lean/contain有方向，touch无方向；从地面开始用子集动态规划找违反边置信度总和较小的顺序，删除冲突边后逐个生成，并非任意带环图直接拓扑排序。
- 2
把图像与邻近表面放到同一体素格
目标可见点云界定带余量的立方体；图像特征沿相机射线反投影，观测深度体素提供占据嵌入。每个体素查询邻居无符号距离、最近点方向及法向，近邻截断范围内加上关系嵌入；非水密表面也可计算UDF，但没有因此获得物理保证。
- 3
在两阶段生成器逐token注入条件
稀疏结构阶段处理密格，SLAT阶段只处理活跃体素；逐层MLP将空间对齐的图像、几何和关系条件加到对应token。新增门初始化为零以保留预训练行为；结构与SLAT阶段使用的条件组并不完全相同。
- 4
用可见区域补全被遮挡区域
其他物体掩码的并集界定潜在遮挡射线，不先估计目标完整轮廓；不可见token作query，可见token作key/value，仅更新不可见集合。部分遮挡特征与可学习空嵌入混合，画面外token排除，无遮挡时跳过分支。
- 5
把生成对象变成后续邻居并核查整场景
生成支撑物后，将其实际重建表面用于下一对象。该机制使形状与位姿协同，也把前一步的几何错误传给后续；生成结束仍须单独做仿真稳定性检验。
实验与证据
完整正文、附录A–F、评价公式与提示词已读；图2原图已视觉检查，官方项目及开放入口已核对；未训练或复现。
来源证据ComOb约40万唯一目标、120万场景、340万标注样本；每场景一个目标与若干固定基元。 3.4；附录B.3 ↗
我的解读pile是场景构造类型，不是额外关系类别；接触者标stack，其他标none。移除支撑后会倒下才接纳lean样本。
来源证据双H200、batch16，SS200k步约7天、SLAT100k步约9天；AdamW1e−4、衰减0.01。 附录B.1–B.2 ↗
我的解读SS/SLAT约1.83B/1.68B；消融SS仅100k步，因此消融full行不能与主表full数值直接相减。
来源证据课程先完整图，再按完整/基元遮挡/合成遮挡1:2:1训练；深度以0.3概率沿射线加噪并丢弃10%观测体素。 附录B.2 ↗
我的解读这是提高噪声鲁棒性的训练设计，实际深度域差仍明显，不是已解决单目尺度。
来源证据Toys4K真实深度CD-S3.68、F1-S0.8407、PD0.0036；估计深度为7.56、0.6457、0.0047。 表1、4；附录C–D ↗
我的解读所有需深度的方法用同一深度；估计深度有中位数对齐，CD按×100报告。估深后语义Uni3D/ULIP并非最优。
来源证据MessyKitchens CD-S0.11、PD0.0011；Picasso0.27、0.0016，均用估计深度及VLM关系。 表2 ↗
我的解读真实场景结果补充合成验证，但不能把不同归一化、形状分布的CD直接跨数据集比较。
来源证据受控消融：完整PD0.0192，去交互0.4980，去V2I0.0270；CD-S分别3.90、8.56、4.46。 表3 ↗
我的解读交互条件包含几何和关系，未分别完全隔离二者；V2I效果小于移除整个交互条件的退化。
来源证据真实关系换VLM关系，CD-S3.68→3.76、PD0.0036→0.0038。 表5 ↗
我的解读这隔离的是关系来源，不是同时把真实深度也换成估计深度；不能误拼成一个全自动指标。
来源证据整场景先单一刚性ICP；对象指标另做逐对象归一化和ICP。仿真300秒、20,480固定表面点测位移，1ms采样峰值单位质量动能。 附录C.1–C.2 ↗
我的解读对象指标消除了摆放误差，场景指标保留相对布局；PD是仿真前穿透，能量不是成功率，表中位移缩放信息不足时保留原值而不擅自换单位。
来源证据排序算法文字和提示词采用已生成前驱，算法1第3行却写从v直接可达邻居。 算法1；附录F ↗
我的解读对有向边的可达方向描述存在歧义；代码发布后需要核对，否则支撑物先生成的保证不能只凭伪码照搬。
开放情况与使用许可
官方项目页面Code标SOON，无可点击代码、模型权重或ComOb下载入口；页面还有视频与方法图coming soon占位。论文和演示入口公开不能算方法、权重或数据已开源。
LICENSE论文采用CC BY 4.0，图2按该许可署名引用且未改动；代码、权重及ComOb尚未见单独许可，不能把论文许可外推到未发布资产。
我的判断
独立分析 · 未复现实验正方 · 为什么值得投入
Toys4K真实深度下CD-S3.68优于ShapeR5.72，穿透指标0.0036显著小于WorldSculpt0.1177；真实场景也有更好重建和稳定性。
控制训练步数的消融中去交互条件PD0.0192→0.4980；去V2I影响较小但仍退化，支持邻居信息和遮挡补全的不同作用。
反方 · 哪些结论还不够
换估计深度后CD-S3.68→7.56、F1-S0.8407→0.6457；不能将真实深度主表宣传为纯RGB无辅助性能。
训练场景是一个目标加固定基元，不能代表任意多物体联合分布；纹理及物理材质真实性没有对应评价。
与LLM建模的比较只是少量图示，提示词限制CPU程序建模且禁用外部生成/检索，不是公平计算预算下的通用能力排序。
综合判断
证据支持把接触关系从摆放后检查前移到形状生成条件；能提高几何一致性，但离可信仿真资产仍需碰撞、材料和输入不确定性验收。
我会先做的验证
建议实验（尚未执行）：固定深度、分割与关系预测，分别扰动每种条件并统计误差传播；在真实多物体场景测接触面距离、跌落率、材质重光照和UV接缝，补充种子、样本量与每对象耗时。