Texture Space Material Diffusion：直接在UV空间生成可重光照材质

图3怎样在已知网格上分离观测条件与材质输出，为什么用视频模型却不生成运动？

1. 1

   先把照片投回同一个UV空间

   图3左侧几何是输入而非输出。已知网格、相机位姿和不重叠UV后，每张照片投回纹理图集，形成覆盖不完整的观测。几何的世界位置和法线也生成贴图，作为紫色 Shared conditioning；这样不同照片中同一表面点对应同一纹理位置。未知光照仍在照片里，模型必须学习分离反射率与照明，不能把投影本身称作去光照。

2. 2

   用视频模型处理多种材质条件

   中间 DiT video model 来自 Wan 2.1-1.3B，但时间维被用于拼接观测、位置法线条件和带噪材质潜变量，不是在生成物体运动。作者整体微调DiT，采用流匹配预测干净材质与噪声之间的速度。图右输出两张RGB图：底色以及打包的高度、粗糙度、金属度。高度转换为凹凸法线，不等于生成真实位移几何。

3. 3

   让单图与文字条件感知三维邻接

   单图模式需要补全不可见表面，文字模式把观测换成UV覆盖掩码。此时以世界XYZ位置和帧编号构造3D-aware RoPE，替代普通UV像素位置与帧编号，使UV上相隔很远、三维上相邻的区域可相互关注。16×16图像块含多个UV岛时仍可能混淆，平均位置无法完整表示块内所有表面。

4. 4

   把高分辨率和多视角作为推理扩展

   8K先从2K结果放大，加少量噪声后在2K裁块上继续去噪，每步随机平移裁块网格以减少裁块边界。超过100张照片则分重叠批次，各批预测同一材质潜变量的速度，每纹素选覆盖最多的两个专家加权。裁块边界缓解不等于UV岛接缝已有定量保证；覆盖权重也不是经过校准的不确定性。

已阅读v1正文和附录、检查原图3及作者项目页；下列数字均为作者实验，本站未训练、运行或独立复现。

实际打开作者项目页，其提供论文和结果查看器。本次未在该页核实可下载训练/推理实现或模型权重，不把论文、Wan上游代码或结果展示称作本工作开源。

LICENSE论文标注arXiv永久非独占托管许可；这不是通用再分发许可。图3仅作为必要方法评论引用，权利归作者；未确认本方法代码、权重的开放许可。