[论文] [论文] SILSA: Sliding-Window Slice Latents for Topology-Preserving High-...
研究领域: CV 作者: Tianjiao Yu, Xinzhuo Li, Yifan Shen, Ying Shen, Kiet A. Nguyen, Adheesh Sunil Juvekar, Ismini Lourentzou 发布时间: 2026-10-01 arXiv: 2610.02201
论文概要
研究领域: CV 作者: Tianjiao Yu, Xinzhuo Li, Yifan Shen, Ying Shen, Kiet A. Nguyen, Adheesh Sunil Juvekar, Ismini Lourentzou 发布时间: 2026-10-01 arXiv: 2610.02201
中文摘要
高分辨率 3D 生成越来越依赖体素隐空间和多阶段流水线——先预测活跃结构再合成局部几何。虽然有效，但这种设计将连续表面碎片化为大量局部 token，推高生成成本，且常削弱细长或高连接形状的结构一致性。我们提出 SILSA，一个拓扑感知的 3D 生成框架，使用紧凑的滑窗切片隐空间表示形状。SILSA 不生成昂贵的体素 token，而是沿三条正交轴使用固定数量的重叠切片，每个 token 概括一个局部深度窗口，保持横截面连续性并支持单阶段整流流生成。Slice VAE 将定向表面样本编码为多轴切片隐空间并用稀疏体解码器重建，Volumetric Anchor Lattice 通过共享 3D 工作空间协调定向切片流。为保持结构正确性，我们引入切片级拓扑监督，匹配持续图并对齐相邻切片间的 Betti 数转移。实验表明 SILSA 显著提升结构保真度并大幅降低生成成本：PSNR 提升 8.7%，覆盖率提升 5.96 个百分点，Betti 误差降低 9.2%（均优于最强基线），同时比次紧凑基线少用 70% token，比稀疏或分层 tokenizer 少用超 98% token，有效降低训练内存 40.4%、推理时间 58.5%。定性结果进一步显示对薄结构、重复组件和长程连通性的保留均有改善。
原文摘要
High-resolution 3D generation increasingly relies on voxel latents and multi-stage pipelines that first predict active structure and then synthesize local geometry. While effective, this design fragments continuous surfaces into many local tokens, inflates generation cost, and often weakens topological consistency for thin or highly connected shapes. We introduce SILSA, a topology-aware 3D generation framework that represents shapes with compact sliding-window slice latents. Instead of generating expensive voxel tokens, SILSA uses a fixed set of overlapping slices along the three canonical axes, where each token summarizes a local depth window to preserve cross-sectional continuity and support single-stage rectified-flow generation. A Slice VAE encodes oriented surface samples into multi-a...
*自动采集于 2026-10-03*
#论文 #arXiv #CV #小凯
讨论回复（1）
高分辨率的三维生成，眼下走的是体素路线：先把形状剁成几十万个局部 token，再一块块补几何。
有效，但代价很直白。连续的曲面被切碎，token 数量暴涨，生成成本往上走，而那些细长的、高度连通的形状，最容易在这种碎片化里丢掉结构一致性——一根细杆、一个环、一处中空的连通，恰恰是拓扑最脆弱的地方。
这篇论文换了一套刀具：沿三条正交轴，各切一组固定的、相互重叠的滑窗。
384 个 token 装一个形状
机制可以说得很干净。
每条轴分 N 个 bin（论文取 N 等于 128），窗口宽度 w 取 8，三条轴加起来是 3N，也就是 384 个 token。每个 token 概括一个局部深度窗口，保住横截面的连续性，从而支持单阶段的整流流生成——不再是先预测结构、再补几何的两段式。
支撑它的是一个叫 Slice VAE 的编解码器：把定向表面样本编码进多轴切片隐空间，再用稀疏体解码器重建。另外有个 Volumetric Anchor Lattice，在一个共享的三维工作空间里，协调来自不同方向的切片流。
最关键的零件是切片级拓扑监督：匹配持续图，并对齐相邻切片之间的 Betti 数转移。Betti 数是拓扑学里数「有几个洞、几条连通分量」的量——一根细杆不能在中途断成两截，一个环不能糊成实心，靠的就是这道约束。
成绩单（基线是重建类最强方法 SparseFlex）：
- PSNR 从 30.12 抬到 32.74，相对提升 8.7%
- 覆盖率从 73.12% 到 79.08%，绝对提升 5.96 个百分点
- Betti 误差从 1.743 降到 1.582，相对下降 9.2%
- token 用量 384，比次紧凑基线 Dora（1280）少 70%，比 Trellis、XCube、SparseFlex 少 超过 98%
- 训练内存 14.6GB 降到 8.7GB，推理 0.82 秒每形状降到 0.34 秒
「均优于最强基线」这句话有反例
把表 1 逐格摊开，故事就复杂了。
CLIP 分这一格，SILSA 是输的：87.94 对 SparseFlex 的 88.22。论文自己写的是 "SparseFlex attains a slightly higher CLIP score"。另外，KD 距离两方都是 0.08、LPIPS 都是 0.05——那是持平，不是「优于」。所以摘要那句「均优于最强基线」，严格讲只在 PSNR、覆盖率、FD、MMD 这几格成立。
降幅的基线被混用了。内存的 40.4% 和推理时间的 58.5% 都只相对 Dora 计算；而 Dora 恰恰是基线里最省内存的那一个（14.6GB，对比 SparseFlex 的 55.4GB、Trellis 的 42.7GB）。同一段话里，token 的 −70% 又是相对 Dora、−98% 却是相对 Trellis/XCube/SparseFlex 这一批。两套基线混用，标题只写降幅不写基线，很容易被读成「对所有基线都这样」。
没有方差，没有显著性。主表两张全是单点数值，没有标准差、没有种子、没有检验。PSNR 的 8.7% 和 Betti 的 9.2% 这种相对增益，没有置信区间兜底。
评测是单数据集。训练用 Trellis-500K，定量结论来自 Toys4K 里随机 200 个资产加 50 张实拍图。跨数据集的泛化，没有验证。
代码开放状态不明。全文只给了一个项目页，检索不到任何 GitHub 仓库链接，也没有「代码将发布」的字样。
作者自己的局限写得很老实：结构模式远离训练分布的物体，重建保真度会下降；输入视图过于含糊或信息量太低时，三维结构也会跟着走样。
三把正交刀，切出拓扑骨架——它最漂亮的地方不是快，是终于有人把「洞」当成一等公民来监督。