TRELLIS / 修改版 TRELLIS.2 多视角融合研究

结论摘要

• multidiffusion 在代码层面对每张已列出的输入使用显式 1 / V 算术平均；这证明显式权重相同，但不保证每张图包含的信息质量或梯度影响完全相同。
• stochastic 每个 diffusion step 只选一张图。12 steps 与 4 views 时调用次数都是 3 次，但不同图片绑定到不同时间步，因此有效影响不必相同。
• 两个推理实现都不接收相机外参，非正交视图不会先经过显式几何对齐；它们只通过图像特征和生成先验间接融合。
• 本实验的 canonical 正交组是 elevation=0° 的四个水平环视，俯仰覆盖弱于随机非正交组；正交性与视角覆盖不能混为同一个变量。
• TRELLIS 的跨顺序预测 Chamfer：stochastic=0.0212，multidiffusion=0.0062；后者更低。
• TRELLIS.2 的跨顺序预测 Chamfer：stochastic=0.0336，multidiffusion=0.0081；后者更低。
• TRELLIS 正交减非正交：Chamfer Δ=0.0006，F@5% Δ=-0.0568，表现为整体退化。
• TRELLIS.2 正交减非正交：Chamfer Δ=0.0117，F@5% Δ=-0.0680，表现为整体退化。

论文与代码机制

“调用次数相同”不等于“有效影响相同”。stochastic 的图像位于不同噪声时间步；multidiffusion 虽显式等权，但内容质量、遮挡和特征冲突仍会改变实际结果。

每张图片的权重

一般情况下 stochastic 中每张图至少获得 floor(steps / V) 次调用；当 steps % V != 0 时，输入列表前面的若干视图会多一次调用。因此只有像本实验 12/4 这样整除时，调用次数才完全相同。

论文口径：不要混淆两类“多视角”

VAE 多视角编码：TRELLIS 论文在构建 3D latent 时，会把带已知投影关系的 dense multiview DINOv2 特征投影到体素并平均；这是训练表示的 3D 编码流程。生成推理条件：论文中的生成模型通过 cross-attention 接收 DINOv2 图像特征，TRELLIS.2 则使用 DINOv3-L 图像条件。本文测试的多图输入是对该生成采样器的推理期改造，没有论文 VAE 编码阶段的相机投影与几何对齐。

• 原始 TRELLIS：trellis/pipelines/trellis_image_to_3d.py:285-380
• 修改版 TRELLIS.2：trellis2_image_to_3d.py:498-604, 716-829
• TRELLIS.2 训练侧多图 mixin：token 拼接且无相机位姿编码，image_conditioned.py:178-230
• TRELLIS paper · TRELLIS.2 paper · TRELLIS.2 project

全部生成组

Chamfer 越低越好；F-score 越高越好；失败率单独报告，不从成功样本均值中隐藏。

输入顺序实验

identity=[0,1,2,3]，reverse=[3,2,1,0]，rotate=[1,2,3,0]。GT 指标 range 衡量同一 case 的评价波动；预测间 Chamfer 直接衡量三个输出 mesh 是否相同。

正交与非正交输入

Δ 定义为 canonical 正交输入减去随机非正交输入。Chamfer Δ<0、F-score Δ>0 表示正交输入更好。本协议的正交组固定 elevation=0°，因此俯仰覆盖弱于带高低视角的随机非正交组，结果只说明“水平四向正交”没有占优。

2026-07-19 · VGGT 几何加权实验

假设：冻结 TRELLIS.2，仅用 VGGT 的跨视角置信度和共同三维点一致性设置 multidiffusion 的静态视角权重，可能优于每视角 1 / V 平均。

过程与异常发现

• 首次 10-case 提取中，第一张输入在所有 case 获得 59%–86% 权重。原因是 VGGT 将首帧作为参考 frame，原始置信度存在序列位置偏置。
• 修正方法是循环排列去偏：每张图依次放到参考位置，分数映射回原索引后平均。修正后四视角权重主要位于约 0.12–0.39。
• VGGT 去偏提取平均 1.10 秒/case，峰值 8.44 GiB；无 GT 信息参与权重计算。
• 使用 protocol-4 前 10 个 GSO case、12 steps、512 pipeline、seed 1；三组均成功生成 10/10 mesh。

结论：不通过。VGGT geometry 的 Chamfer 相对改善为 -0.0432，F@5% 平均增量为 0.0057，水密率仍为 0。静态全局权重无法稳定融合空间上互补的视角，并会显著改变 sparse-structure token 数与面数。下一阶段应训练空间可变的 VGGT token adapter，并单独解决 watertight extraction。

2026-07-19 · VGGT 空间稀疏适配器与监督数据准备

选择：冻结 VGGT、DINOv3 与 TRELLIS.2 sparse flow，将高置信世界点和 VGGT patch 特征聚合到 16³ voxel grid，保留 top-512 几何 token，再对 mean-DINO 条件做 cross-attention residual。

gate 零初始化，因此训练开始时输出严格等于多视图 DINO 均值；适配器只先学习 sparse occupancy / coarse topology，shape adapter 与 watertight extraction 留到后续阶段。

Toys4K 数据

• 本地 mesh 与 25-view render 完整配对 3,224 个；确定性且对象级无泄漏划分：smoke 16、train 512、val 64。
• smoke16 物化为相对 mesh 软链接与归档 PNG，官方链路依次执行 dump_mesh、asset_stats、1024 dual-grid、shape latent、64³ SS latent、16-view render_cond。

完整性：16 / 16 对象成功由 ImageConditionedSparseStructureLatent 加载，得到有限的 x_0 [8,16,16,16] 与 cond [3,518,518]；共 256 张条件图，逻辑磁盘占用约 940 MiB。

DINO / VGGT 特征缓存

对每个对象的 16 个 render_cond 视角按 transforms.json 原始顺序缓存：DINO BF16 [16,1029,1024]、VGGT 最后一层 patch BF16 [16,1369,2048]、confidence-weighted world points FP32 [16,37,37,3]、confidence、4×4 transforms 与水平 FOV。

Adapter flow-matching smoke

冻结 1.3B sparse-flow 与全部 encoder，仅训练 VGGTSpatialAdapter；官方 target 为 v=(1-σ_min)noise-x_0。在 smoke16 上执行 100 optimizer steps、accumulation 4，共 400 samples，视角数随机覆盖 2 / 4 / 6 / 8。

loss 使用每步重新采样的对象、视角、timestep 与 noise，因而不是单调曲线；step 1=0.2983、step 100=0.1022 仅证明训练链路和早期优化可运行。是否改善几何必须由固定验证集和 benchmark mesh 评价决定。

vggt_adapter inference · 单例正式评价

step-100 adapter 在 sparse-structure 阶段生成一个融合条件；shape 与 texture 阶段继续使用 multidiffusion。输入严格遵循 manifest 的四视图顺序及相机矩阵对齐。

负面结果：20,000 surface samples、seed 11 的正式评价显示该单例高度非水密且几何明显失真：6,606 boundary edges、8,808 nonmanifold edges，bbox 对角线 / 表面积 / 绝对体积比为 4.45795 / 13.99996 / 47.50581。这不是改进证据，说明 16-object / 100-step smoke 不足，并且在扩大训练前必须先排查坐标、体素化、gate residual 尺度与训练/benchmark 视角分布。

同 case uniform 对照与 sparse occupancy

同一 gso_000_input4、seed 1、12 steps、512 pipeline 的 uniform multidiffusion 在同一 20k/seed-11 评价中得到 Chamfer 0.06764、F@5 0.47725、F@10 0.72235。adapter 相对 uniform 的 Chamfer 恶化 19.39%，F@5 下降 0.09695，面数增加到 118.4×。

诊断结论：adapter sparse token 数是 uniform 的 120.5×，范围从 3×5×5 扩张到 32×32×28。当前首要问题不是 watertight 后处理，而是 sparse occupancy 爆炸；在解释并修正该问题前暂停 25/50/100 × 10-case 矩阵，避免放大无效计算。

Checkpoint sparse-only 扫描

在同一 benchmark 条件上，仅运行 sparse stage：官方 uniform multidiffusion 为 26 tokens；把四个 DINO 条件先求均值再单调用 sparse flow，即使不加任何 geometry residual，也得到 mean-DINO 单调用 3,421 tokens。step-1 3,409、step-25 3,153、step-50 3,234、step-100 3,090；step-1 的有效 condition 扰动仅 0.0062%，仍未恢复 occupancy。

架构级根因：条件均值不保持 multidiffusion 基线。sparse flow 对 condition 是非线性的，model(mean(cond_i)) ≠ mean(model(cond_i))；因此当前所谓“zero-gate exact fallback”只精确回退到 mean-DINO condition，并不回退到已验证的 multidiffusion sampler。后续设计必须在 gate=0 时逐步、逐视图精确复现 multidiffusion 的 velocity 平均。

baseline-preserving v2：逐视图 residual 与精确 sparse parity

gate=0 时保留全部逐视图 DINO condition，并继续使用 multidiffusion 的逐视图 velocity 平均。正式 parity gate 的 condition / token count / ordered coordinates 均精确一致：26 / 26 tokens，精确 sparse parity = true。adapter extraction 0.924 s，uniform / adapter sparse 5.509 / 4.703 s，峰值 7.54 GiB。

v2 在线重算精确 2/4/6/8-view 子集的 DINO 与 VGGT，100 optimizer steps / 400 micro-samples；loss 0.19453 → 0.08757，最小 0.03293，非零梯度 100 / 100。训练 780.35 s，平均 optimizer step 7.79 s，峰值 reserved 25.46 GiB，外部峰值 35.45 GiB。

checkpoint sparse-only 扫描高度非单调：uniform 26；step-1 285，step-25 30，step-50 4,672，step-100 320。只有 step-25 的 1.154× 通过 ≤2.0× sparse gate。

step-25 单例正式 20k/seed-11 几何评价：Chamfer 0.07727、F@5 0.41023、F@10 0.72308、watertight = 0.0000，boundary / nonmanifold = 169 / 269；bbox 0.44706、面积 0.14764、绝对体积 0.49898。相对 uniform，Chamfer 恶化 14.23%，F@5 下降 0.06701。

单例质量门控：不通过。生成成功，bbox/表面积比例与同 case uniform 处于同一量级，boundary / nonmanifold 计数也下降；但 Chamfer 与 F@5 均未改善，因此按预注册决策不运行十例矩阵。下一步诊断微小 residual 如何改变 sparse 坐标位置与尺度，再决定训练目标或正则化修改。

逐步 sparse 轨迹诊断

相同初始噪声下，latent 在 step 1 首次分叉，首步 velocity delta RMS 为 0.00614；decoded occupancy 在 step 6 首次分叉，此时 velocity delta RMS 已增至 0.09643。最后一步的 latent delta / uniform RMS 达 1.3116×，latent cosine 降至 0.00945。

最终 uniform / adapter tokens 为 26 / 24，坐标集合 Jaccard 0.0000，质心相距 25.05 voxels。相同进程内重复 step-25 得到 24 / 24，Jaccard 1.0000，说明完整支持集搬移是稳定行为；先前 23/24/30 token 波动来自阈值附近数值敏感性，而不是运行内随机噪声。

根因结论：token count 相近不能约束 sparse support 的位置。极小 condition residual 经 CFG、非线性 flow 与后期大 Euler step 累积放大，最后跨过 decoder 的零阈值并把支持集整体搬到另一空间区域。诊断首次尝试还因 The first trajectory run sampled uniform successfully but failed while decoding intermediate latents because low_vram had moved the sparse decoder back to CPU. A regression test now moves the decoder to the pipeline device and restores it to CPU, while reusing the production 64^3-to-32^3 max-pool path. 失败；已通过遵循 low-VRAM decoder 设备迁移并复用生产 64³→32³ max-pool 路径修复。

Residual α sweep 与安全支持集

固定 step-25 checkpoint，仅缩放 residual：cond_i(α)=cond_i+α(cond_i'-cond_i)。结果高度非单调：α=0.03125 / 0.0625 分别得到 297 / 144 tokens，α=0.125 / 0.5 为空，而 α=0.75 / 1.0 虽只有 23 / 22 tokens，却已搬到错误空间区域。

Residual α sweep 选择 α=0.25。α=0.25 得到 24 tokens，Jaccard 0.9231，质心漂移 0.079 voxel，满足 token / overlap / centroid 三重门槛。

α=0.25 端到端 mesh：5,361 vertices / 10,950 faces；Chamfer 0.06435，相对改善 4.86%；F@5 0.46006，F@5 下降 0.01719；F@10 0.76072，增加 0.03837。watertight = 0.0000，boundary / nonmanifold = 281 / 471。

同 case 门控：通过。按预注册规则，生成无失败、尺度未灾难性偏移，且 Chamfer 或 F@5 至少一项改善；因此允许进入固定 protocol-4 十例矩阵。但该结论不代表拓扑或水密性改善，F@5 与 edge topology 仍退化。

固定十例矩阵

α=0.25 在 protocol-4 固定前十例仅成功 9 / 10，失败率 10.0%；失败 case 为 gso_000_input4，同一 case 在独立单例进程曾成功，进一步证明阈值附近跨进程不稳定。

只在共同成功的 9 个 case 上，Chamfer 0.08316 → 0.08325，Chamfer 恶化 0.11%；F@5 0.42880 → 0.42957，F@5 增加 0.00077；F@10 增加 0.00111。这些微小 paired 变化不能抵消新增失败。

成功样本仍全部非水密，最大面数 2,662,864，最大 bbox / 表面积 / 绝对体积比为 14.22 / 192.42 / 345.02。

十例门控：不通过。违反 no-extra-failure，且多数输出出现 occupancy/尺度爆炸。停止扩大该 checkpoint/α 组合，不运行 100-case 或 protocol2/6/8；下一设计必须在训练时约束 velocity/support，而不是依赖单 case 推理缩放。

velocity trust-region v3：局部速度上界的负面结果

cap-zero 精确 parity：uniform / adapter 为 26 / 26 tokens；final latent 精确一致 = true，ordered coordinates 精确一致 = true。完整进程 108.23 s，外部 GPU 峰值 8.22 GiB。

首轮 cap=0.01/0.025/0.05/0.1 全部没有真正裁剪：step-25 residual 的最大原始 velocity delta / baseline RMS 仅 0.00306。缩小到 10⁻⁶–3×10⁻³ 后，每一步实测比值均满足 cap，但最终轨迹仍高度非单调，证明局部 relative-RMS 上界不等价于累计状态或 sparse support 上界。

固定三例共同门耗时 237.18 s，外部 GPU 峰值 8.26 GiB。例如 gso_000_input4 在 cap=10⁻⁶ 时达到 12.7308× tokens、Jaccard 0.0000、质心漂移 13.4728 voxels，final latent delta / baseline 达 2.8427×；其他 case 可接近 baseline，显示同一 cap 的对象间敏感性差异极大。

三例门控：不通过。没有非零 constant cap 同时通过三例；selected training cap = none，因此不启动 v3 训练、不生成 mesh，也不扩大到十例或 100-case。下一版必须约束累计 state / predicted x0 或直接约束 decoder occupancy，而不是仅限制单步 velocity 的相对 RMS。watertight extraction 与 protocol-2/4/6/8 100-case 仍未完成。

cumulative state anchor v4：双轨累计状态投影

v4 不再把 baseline velocity 评估在已经分叉的 adapter state，而是同步维护一条独立 uniform shadow trajectory。cap=0 时，初始噪声、shadow、候选与独立 uniform 的全部 12 个 latent state 精确一致；最终 sparse tokens 为 26 / 26，ordered coordinates 精确一致 = true。完整进程 106.24 s，外部 GPU 峰值 8.22 GiB。

单例从 `1e-5` 扫到 `0.1` 均满足累计 state 上界。rel_cap=0.100 首次对 gso_000_input4 产生受控 support 变化：25 tokens，Jaccard 0.9615，质心漂移 0.1038 voxels；没有出现 v3 的空 support、整体搬移或跨吸引子发散。

三例 gate 中，gso_000_input4 的 Jaccard 为 0.9615；最大质心漂移来自 gso_002_input4，为 0.3724 voxels。所有 shadow states 与独立 uniform 精确一致，所有候选 final latent delta 均不超过配置 cap。

三例 state gate：通过。选择 rel_cap=0.100，三例运行 245.53 s，外部 GPU 峰值 8.26 GiB。该结果允许进入短 unroll 训练设计，但尚未证明 mesh 几何或水密性改善；在训练、同 case 正式几何门和固定十例拓扑门通过前，不运行 protocol-2/4/6/8 100-case。

v4 truncated-unroll one-step GPU smoke

• attempt 1: failed；direct CLI could not import experiments because the project root was absent from sys.path；墙钟 1.69 s
• attempt 2: failed；DINO wrapper has no parameters method during the frozen-gradient assertion；墙钟 37.78 s
• attempt 3: passed；completed；墙钟 38.65 s

固定 seed-1 选中 [4] views、timestep window [0]。loss 0.160263，flow / state loss = 0.160028 / 0.000235，gradient norm 1.586127，final state ratio 0.000333。冻结模型无梯度 = true，checkpoint 重载 = true。

成功尝试命令墙钟 38.65 s，CPU RSS 峰值 10.52 GiB，CUDA allocated / reserved 峰值 18.33 GiB / 18.77 GiB，外部 GPU 峰值 19.52 GiB。

one-step 训练门控：通过。只有在后续 100-step checkpoints 25/50/100 均通过固定三例 state gate 后，才允许进入 mesh 几何与拓扑验证。

100-step truncated-unroll systems smoke

完成 100 / 100 个非零梯度 optimizer steps；loss first / mean / last = 0.160398 / 0.125254 / 0.379477，mean state loss 0.005118，max final state ratio 0.026894。adapter gate -0.000030 → 0.001443。

训练内计时 297.93 s，完整命令 331.19 s，平均 optimizer step 2.968 s；CPU RSS 峰值 10.51 GiB，CUDA reserved 23.81 GiB，外部 GPU 峰值 24.55 GiB。

post-training fixed three-case state gates

step 25 / 50 / 100 依次在固定三例、12 sampler steps、seed 1、rel_cap=0.1 下复测；三个 checkpoints 全部通过。

选择 step 50。它在三个安全 checkpoints 中提供最均衡的 support overlap 与质心漂移，允许进入同 case 正式 mesh 几何/拓扑门；仍不代表 watertightness 或 100-case 性能已经改善。

same-case formal geometry/topology gate

checkpoint step 50 在 gso_000_input4 上生成 mesh，并按 20,000 surface samples、seed 11 正式评价：Chamfer 0.07542，F@5 0.43027，F@10 0.69020；bbox / surface / volume ratio = 0.47144 / 0.09987 / 0.76995。

相对完全相同的 uniform baseline，Chamfer 恶化 11.49%，F@5 下降 0.04698，F@10 下降 0.03215；boundary / nonmanifold = 360 / 355，分别增加 100 / 10。watertight = 0.0000。

完整生成命令 118.63 s，CPU RSS 峰值 24.26 GiB，外部 GPU 峰值 8.20 GiB。

同 case geometry gate：不通过。虽然输出无生成失败且尺度未灾难性偏移，但预注册 Gate D 要求 Chamfer 或 F@5 至少一项改善；两项均退化，edge topology 也未改善。因此不进入固定十例，不运行该 v4 checkpoint 的 100-case 协议，也不声称水密性提升。

decoder-aware watertight v5：几何监督与确定性水密重建

批准设计：v4 state safety did not improve same-case Chamfer, F@5, or edge topology。下一步采用 decoder-aware occupancy training plus deterministic o-voxel watertight remeshing，保留 v4 的 state anchor，同时把训练目标扩展到冻结 sparse-structure decoder 的 occupancy logits。

100-case 基线显示 TRELLIS.2 watertight/topology-valid = 0.00 / 0.00 / 0.00 / 0.00，而 TRELLIS target = 0.87 / 0.90 / 0.91 / 0.88、ReconViaGen target = 0.85 / 0.86 / 0.86 / 0.88。v5 的最终协议门槛不是单例变好，而是在 protocol 2/4/6/8 上同时超过 TRELLIS 与 ReconViaGen。

初始权重：state = 1.00，occ BCE / Dice / band / VGGT point weights = 0.25 / 0.50 / 0.25 / 0.05。GT occupancy 由相同冻结 decoder 从 GT sparse latent 解码，预测 occupancy 由二步 unroll 的 x0_hat 解码。

v5 one-step decoder-aware GPU smoke

完成 1 optimizer step；loss 13.903753，flow 0.162397，state 0.000234，decoder occ 13.741121。occ BCE / Dice / surface-band = 48.562469 / 0.512329 / 5.377357。

gradient norm 54.801418，final state ratio 0.001044，occupancy fraction 0.061253，CUDA reserved 18.91 GiB。checkpoint: experiments/nonorthogonal_gpt_orthoview/outputs/data_survey/vggt_spatial_adapter/decoder_aware_watertight_v5/training_smoke1/adapter_step_0001.pt。

v5 one-step gate：通过。该结果只证明 decoder-aware 训练链路、冻结模块梯度隔离和 checkpoint 元数据可运行；仍需 100-step pilot 与 fixed three-case occupancy gate。

v5 100-step decoder-aware pilot

完成 100 / 100 个非零梯度 optimizer steps；loss 13.928650 → 4.190114，decoder occ 13.765808 → 3.801179，max final state ratio 0.071633。

occupancy fraction min / max = 0.000000 / 0.111225；CUDA reserved 23.89 GiB，外部 GPU 峰值 24.64 GiB。

v5 100-step pilot：不通过。Do not generate mesh until fixed three-case occupancy gate confirms no empty/full decoded occupancy; pilot had empty decoded occupancy at step 96 and near-empty at steps 57/96.

v5 fixed three-case occupancy gates

复测 checkpoints 25 / 50 / 100；state gate all passed = true，any occupancy gate passed = false，selected checkpoint = none。

v5 checkpoint gate：不通过。No v5 checkpoint passed the fixed three-case occupancy improvement gate; do not generate raw or watertight meshes.

门控顺序：objective TDD → one-step GPU smoke → 100-step pilot → fixed three-case state+occupancy gate → same-case raw/watertight geometry gate → fixed protocol-4 ten-case matrix → protocol-2/4/6/8 all100 evaluation。其中 same-case raw/watertight Gate E 必须同时评价 mesh_raw.obj 与 mesh_watertight.obj，要求水密输出 topology-valid 且 Chamfer/F@5 不发生不可接受退化。

v5 决策：v5 100-step pilot completed with finite gradients and state cap, but empty/near-empty decoded occupancy appeared during training. Do not generate meshes; run or strengthen fixed three-case occupancy gate before Gate E. 因此在 Gate E 通过前不运行十例或 100-case。

mesh repair v6：v2 α=0.25 hybrid mesh repair

v5 decoder-aware 训练没有产生 occupancy improvement 后，改为在已通过几何单例门的 v2 α=0.25 raw mesh 上执行确定性后处理。默认使用 PyMeshFix；对极端碎片化 mesh 使用 MeshLab screened Poisson + boundary fan-fill；对超大单连通 mesh 提高 PyMeshFix 预简化 target_faces。

protocol-4 ten-case mesh gate：通过。watertight/topology-valid 10 / 10；mean Chamfer 0.081932 vs baseline 0.081609；mean F@5 0.438803 vs baseline 0.433643。

v6 结论：这已经生成了固定 protocol-4 十例上 topology-valid 且几何不退化的 watertight mesh；下一步才有资格扩大到 protocol-2/4/6/8 的 100-case 统计。

失败与修复记录

• The TRELLIS.2 checkout did not include data_toolkit/datasets/Toys4k.py; the older TRELLIS-500K adapter also passed only sha256 and lacked the no_file callback mode. A tested TRELLIS.2-compatible adapter now passes func(file_or_none, full_metadatum).
• asset_stats assumed the optional pbr_dumped column existed, so mesh-only Toys4K preprocessing failed. A regression test now makes a missing pbr_dumped field select the mesh dump path.
• The first shape encoder attempt used HF_HUB_OFFLINE=1 before the encoder JSON was cached and failed after 5.35 seconds. The online retry downloaded/resolved the missing files and completed in 28.23 seconds.
• render_cond uses a separate hard-coded Blender 3.0.1 path. Its sudo dependency installation failed without a TTY, but the script downloaded Blender 3.0.1 and rendered successfully; the first 208.27-second wall time therefore includes setup overhead.
• ImageConditionedSparseStructureLatent initially failed with KeyError: aesthetic_score. The materializer now records curated Toys4K smoke objects with aesthetic_score=5.0, satisfying the official default 4.5 filter.
• The first formal adapter inference succeeded operationally but produced a severely distorted, non-watertight mesh: Chamfer 0.080757, F@5% 0.380302, 6,606 boundary edges, 8,808 nonmanifold edges, and bbox diagonal ratio 4.45795. This blocks blind scaling until coordinate, voxelization, residual-scale, and view-distribution diagnostics are complete.
• Baseline-preserving v2 passed exact zero-gate sparse parity, but its learned checkpoints were highly non-monotonic. Step 25 was the only <=2x sparse candidate and still worsened Chamfer by 14.23% and F@5 by 0.06701 on the formal same-case gate, so the ten-case matrix remains blocked.
• The first step-25 trajectory diagnostic failed after uniform sampling because low_vram had moved the sparse decoder to CPU while intermediate latents were moved to CUDA. The diagnostic now has a regression test for decoder device migration and reproduces the production 64^3-to-32^3 downsampling path.
• The first residual alpha sweep failed because a [V,N,C] scaled condition was passed to a helper requiring [1,V,N,C]. A regression-tested local condition builder fixed the shape contract; the final sweep selected alpha 0.25.
• The alpha-0.25 fixed ten-case matrix succeeded on only 9/10 cases. gso_000 produced empty sparse support in the batch process despite succeeding alone; successful outputs reached 2,662,864 faces, bbox ratio 14.22, surface-area ratio 192.42, and absolute-volume ratio 345.02.
• Velocity trust-region v3 passed exact cap-zero parity, but the initial 0.01-0.1 caps did not clip because the learned correction was only about 0.00306 of baseline velocity RMS.
• Fine caps from 1e-6 to 3e-3 obeyed every per-step velocity bound yet remained highly non-monotonic: gso_000 ranged from empty support to 12.73x tokens or a support set shifted by about 25 voxels.
• The fixed three-case gate rejected every nonzero cap. At cap 1e-6, gso_000 reached 12.73x tokens and final latent delta/baseline 2.8427x while gso_001 stayed close to baseline, proving severe object-dependent sensitivity.

当前结论：Task 6 adapter inference 已完成端到端单例验证、uniform 对照和 checkpoint sparse-only 扫描。失败根因已缩小为 condition-level mean 破坏 multidiffusion baseline；16→4 VGGT context mismatch 是次要分布风险，但不是本次 occupancy 爆炸主因。下一步重新设计为 baseline-preserving 的逐视图 residual 融合；在 zero-gate token count 精确等于 uniform 前不恢复训练或 10-case 矩阵。尚未开始 512-object 正式训练、watertight extraction 或完整四协议评估。

5 个 case 可视化

gso_000_input4

TRELLIS stochastic · identity

mesh

TRELLIS stochastic · reverse

mesh

TRELLIS multidiffusion · 非正交

mesh

TRELLIS multidiffusion · 正交

mesh

TRELLIS.2 stochastic · identity

mesh

TRELLIS.2 stochastic · reverse

mesh

TRELLIS.2 multidiffusion · 非正交

mesh

TRELLIS.2 multidiffusion · 正交

mesh

gso_001_input4

TRELLIS stochastic · identity

mesh

TRELLIS stochastic · reverse

mesh

TRELLIS multidiffusion · 非正交

mesh

TRELLIS multidiffusion · 正交

mesh

TRELLIS.2 stochastic · identity

mesh

TRELLIS.2 stochastic · reverse

mesh

TRELLIS.2 multidiffusion · 非正交

mesh

TRELLIS.2 multidiffusion · 正交

mesh

gso_002_input4

TRELLIS stochastic · identity

mesh

TRELLIS stochastic · reverse

mesh

TRELLIS multidiffusion · 非正交

mesh

TRELLIS multidiffusion · 正交

mesh

TRELLIS.2 stochastic · identity

mesh

TRELLIS.2 stochastic · reverse

mesh

TRELLIS.2 multidiffusion · 非正交

mesh

TRELLIS.2 multidiffusion · 正交

mesh

gso_003_input4

TRELLIS stochastic · identity

mesh

TRELLIS stochastic · reverse

mesh

TRELLIS multidiffusion · 非正交

mesh

TRELLIS multidiffusion · 正交

mesh

TRELLIS.2 stochastic · identity

mesh

TRELLIS.2 stochastic · reverse

mesh

TRELLIS.2 multidiffusion · 非正交

mesh

TRELLIS.2 multidiffusion · 正交

mesh

gso_004_input4

TRELLIS stochastic · identity

mesh

TRELLIS stochastic · reverse

mesh

TRELLIS multidiffusion · 非正交

mesh

TRELLIS multidiffusion · 正交

mesh

TRELLIS.2 stochastic · identity

mesh

TRELLIS.2 stochastic · reverse

mesh

TRELLIS.2 multidiffusion · 非正交

mesh

TRELLIS.2 multidiffusion · 正交

mesh

限制

• 这是对原始单图生成模型的推理期多视角融合，不是带相机位姿的稀疏视角重建网络。
• 仅 5 个 GSO 对象，结论用于机制验证，不代替大规模统计。
• stochastic 的结果依赖 steps 与视图数的整除关系；本实验固定 12/4，以隔离 timestep 绑定效应。
• TRELLIS.2 多图功能来自本地修改分支，不应误认为官方发布模型原生支持该接口。