实验定位 后验 soft score 负结果 / 论文论证正向
A61 是 A60 后的上限审计：既然 hard veto 会错杀好编辑，就把 MV consistency 改成连续 soft score、worst-view 约束和 conservative defer，测试后验 mesh selector 是否仍能替代 A53。
结论很明确：不能。最好的 no-GT soft MV selector 是 a61_min_mean_mvd，mean ΔChamfer=0.0000166、ΔF@5=0.001037；A53 则为 ΔChamfer=-0.0004171、ΔF@5=0.002684。soft MV 比 A53 的 Chamfer 差 0.0004337，F@5 少 -0.001647。
实验设计（Image-2 风格）
模块设计（Image-2 风格）
Soft Scores
a61_min_mean_mvd：选择平均 MV depth error 最低的候选。a61_min_worst_view：选择最坏输入视角 error 最低的候选。a61_soft_pareto：mean、worst-view、std 和步数惩罚的连续组合。a61_budgeted_soft_pareto/a61_conservative_defer：只接受不破坏 carrier MV budget 的候选，否则回退 carrier。
为什么这是关键审计
A61 没有引入 GT 参与选择，只把 GT 用作回顾评测。它检验的是后验选择器的上限：如果 soft MV score 仍无法超过 A53，下一步就不应继续调阈值，而应把 MV budget 放进 diffusion 生成过程。
实验结果（表格）
10-case 方法汇总
| method | mean ΔChamfer | mean ΔF@5 | active ΔChamfer | active ΔF@5 | watertight | faces | selected iters |
|---|---|---|---|---|---|---|---|
| carrier_all | 0.0000000 | 0.000000 | 0.0000000 | 0.000000 | 100.0% | 443226 | {'0': 10} |
| a53_saturation_guard | -0.0004171 | 0.002684 | -0.0013925 | 0.008953 | 100.0% | 443226 | {'0': 7, 'None': 3} |
| a61_min_mean_mvd | 0.0000166 | 0.001037 | 0.0000554 | 0.003458 | 100.0% | 443226 | {'0': 7, '2': 1, '3': 1, '4': 1} |
| a61_min_worst_view | 0.0001690 | 0.000712 | 0.0005634 | 0.002372 | 100.0% | 443226 | {'0': 7, '1': 1, '3': 1, '4': 1} |
| a61_soft_pareto | 0.0000714 | 0.000403 | 0.0002380 | 0.001342 | 100.0% | 443226 | {'0': 7, '1': 2, '2': 1} |
| a61_budgeted_soft_pareto | 0.0001101 | 0.000202 | 0.0003669 | 0.000675 | 100.0% | 443226 | {'0': 8, '1': 2} |
| a61_conservative_defer | 0.0001101 | 0.000202 | 0.0003669 | 0.000675 | 100.0% | 443226 | {'0': 8, '1': 2} |
| gt_chamfer_oracle | -0.0001674 | 0.003439 | -0.0005581 | 0.011463 | 100.0% | 443226 | {'0': 7, '3': 1, '8': 2} |
| gt_fscore_oracle | -0.0001550 | 0.003488 | -0.0005167 | 0.011628 | 100.0% | 443226 | {'0': 7, '4': 1, '8': 2} |
Active case 选择明细
| case | selector | iter | ΔChamfer | ΔF@5 | ΔMV mean rel | ΔMV worst rel | budget pass |
|---|---|---|---|---|---|---|---|
| gso_000_input4 | a61_min_mean_mvd | 3 | -0.0004159 | 0.000512 | -0.00099 | 0.00326 | False |
| gso_000_input4 | a61_min_worst_view | 1 | -0.0002122 | -0.000240 | 0.00042 | 0.00174 | False |
| gso_000_input4 | a61_soft_pareto | 1 | -0.0002122 | -0.000240 | 0.00042 | 0.00174 | False |
| gso_000_input4 | a61_budgeted_soft_pareto | 0 | 0.0000000 | 0.000000 | 0.00000 | 0.00000 | True |
| gso_000_input4 | a61_conservative_defer | 0 | 0.0000000 | 0.000000 | 0.00000 | 0.00000 | True |
| gso_000_input4 | gt_chamfer_oracle | 3 | -0.0004159 | 0.000512 | -0.00099 | 0.00326 | False |
| gso_002_input4 | a61_min_mean_mvd | 4 | -0.0006818 | 0.008366 | -0.01527 | -0.00182 | True |
| gso_002_input4 | a61_min_worst_view | 3 | -0.0005587 | 0.007949 | -0.01124 | -0.00404 | True |
| gso_002_input4 | a61_soft_pareto | 1 | -0.0003376 | 0.002772 | -0.01164 | -0.00333 | True |
| gso_002_input4 | a61_budgeted_soft_pareto | 1 | -0.0003376 | 0.002772 | -0.01164 | -0.00333 | True |
| gso_002_input4 | a61_conservative_defer | 1 | -0.0003376 | 0.002772 | -0.01164 | -0.00333 | True |
| gso_002_input4 | gt_chamfer_oracle | 8 | -0.0016053 | 0.015600 | -0.01003 | -0.00392 | True |
| gso_008_input4 | a61_min_mean_mvd | 2 | 0.0012637 | 0.001495 | -0.01031 | -0.01475 | True |
| gso_008_input4 | a61_min_worst_view | 4 | 0.0024611 | -0.000593 | -0.00594 | -0.01745 | True |
| gso_008_input4 | a61_soft_pareto | 2 | 0.0012637 | 0.001495 | -0.01031 | -0.01475 | True |
| gso_008_input4 | a61_budgeted_soft_pareto | 1 | 0.0014382 | -0.000748 | -0.00864 | -0.00809 | True |
| gso_008_input4 | a61_conservative_defer | 1 | 0.0014382 | -0.000748 | -0.00864 | -0.00809 | True |
| gso_008_input4 | gt_chamfer_oracle | 8 | 0.0003468 | 0.018277 | 0.05847 | 0.02036 | False |
MV 信号与 GT Chamfer 的相关性
| case | signal | Spearman rho | p-value |
|---|---|---|---|
| gso_000_input4 | delta_mv_mean_rel | 0.4667 | 0.2054 |
| gso_000_input4 | delta_mv_worst_rel | 0.1833 | 0.6368 |
| gso_000_input4 | soft_mv_score | 0.1833 | 0.6368 |
| gso_000_input4 | balanced_mv_score | 0.1833 | 0.6368 |
| gso_002_input4 | delta_mv_mean_rel | -0.1167 | 0.7650 |
| gso_002_input4 | delta_mv_worst_rel | -0.1167 | 0.7650 |
| gso_002_input4 | soft_mv_score | -0.7333 | 0.0246 |
| gso_002_input4 | balanced_mv_score | -0.9167 | 0.0005 |
| gso_008_input4 | delta_mv_mean_rel | -0.0333 | 0.9322 |
| gso_008_input4 | delta_mv_worst_rel | -0.3167 | 0.4064 |
| gso_008_input4 | soft_mv_score | -0.1500 | 0.7001 |
| gso_008_input4 | balanced_mv_score | 0.2167 | 0.5755 |
可视化结果
实验结论
- 后验 soft MV scoring 没有超过 A53 saturation guard：最好的 no-GT selector
a61_min_mean_mvd相比 carrier 的 Chamfer 略变差，而 A53 明显改善。 - MV depth agreement 和 GT Chamfer 的关系是 case-dependent：gso002 中一些 score 与 Chamfer 呈反向相关，gso008 中 mean/worst MV 变好时 Chamfer 仍可能变差。这说明“能解释输入视角”不足以代表完整 3D 形状质量。
- A61 把 A58-A60 的边界说清楚了：MV consistency 是有价值的观测一致性诊断，但不能作为 mesh 生成后的 final selector。
- 这反而强化了论文创新方向：多视角一致性应该作为 generation-time per-step support/depth budget，约束 denoising trajectory，而不是在 mesh 已经生成后做阈值或打分选择。
下一步想法
- A62：实现 sampler-time MV support budget prototype，在 sparse denoising 每一步用输入视角 depth/support 约束 token drift，而不是后验选择 mesh。
- 把 A61 的 negative result 写成 ablation：hard gate、soft Pareto、worst-view budget 都不能替代 generation-time constraint。
- 增加 per-view signed depth residual 可视化，解释 gso002/gso008 的“MV 变好但 GT 不一定变好”差异。
- 如果 A62 计算成本太高，先做 teacher-forcing trajectory audit：对已保存 step states 估计哪些 step 的 support drift 与最终 topology/chamfer 相关。