arXiv cs.CVが2026年10月1日(現地時間)付けで公開した論文で、Tianjiao Yu（ティエンジァオ・ユー）氏らの研究者グループは、高解像度3D生成のための新しいフレームワーク「SILSA (Sliding-Window Slice Latents for Topology-Preserving High-Resolution 3D Generation)」を発表した。このフレームワークは、コンパクトなスライディングウィンドウ・スライス潜在表現を用いることで、従来のボクセル潜在表現や多段階パイプラインが抱える課題を解決し、トポロジーを保持した3D生成を実現する。
従来の高解像度3D生成は、ボクセル潜在表現や多段階パイプラインに依存することが多かった。しかし、この設計は連続的な表面を多数の局所トークンに断片化し、生成コストを増大させ、薄い形状や高度に接続された形状のトポロジカルな一貫性を損なう傾向があった。
SILSAは、固定されたオーバーラップするスライスセットを3つの正規軸に沿って使用し、各トークンが局所的な深さウィンドウを要約することで、断面の連続性を保持し、単一ステージのrectified-flow生成をサポートする。Slice VAEが指向性表面サンプルをマルチ軸スライス潜在表現にエンコードし、スパースな体積デコーダで再構築する。Volumetric Anchor Latticeは、共有3Dワークスペースを介して指向性スライスストリームを調整する。
構造的な正確性を保つため、研究チームはスライスレベルのトポロジー監視を導入し、隣接するスライス間でpersistence diagramsを一致させ、Betti transitionsを整列させる。実験の結果、SILSAは構造的忠実度を向上させるとともに、生成コストを大幅に削減した。
具体的には、SILSAは最強のベースラインと比較して、PSNRを8.7%向上させ、coverageを5.96絶対ポイント、Betti errorを9.2%改善した。また、トークン使用量は次にコンパクトなベースラインより70.0%少なく、スパースまたは階層的なトークナイザよりも98%以上削減し、トレーニングメモリを40.4%、推論時間を58.5%削減したと報告されている。定性的な結果からも、薄い構造、繰り返されるコンポーネント、長距離接続性の保持が改善されたことが示されている。
この研究はNeurIPS 2026に採択された。
参考: arXiv cs.CV (アーカイブ) — 2026年10月2日 02:59 (JST)