唐香珺 Tang Xiangjun

JoVox把体素八叉树的各层放进同一个离散流匹配框架联合建模，让已经生成的细层单元参与尚未确定的粗层单元预测，而不是像分层方法那样先定粗层、再不回头地逐层细化。它同时一次预测细两级的单元，把网络要处理的层数减半。在Toys4k图像条件生成上，其体素倒角距离为0.01107、IoU为0.4158，优于TRELLIS.2的0.01250与0.4017；在相同骨干下，训练所需显存更低、吞吐更高。

JoVox把体素八叉树的各层放进同一个离散流匹配框架联合建模，让已经生成的细层单元参与尚未确定的粗层单元预测，而不是像分层方法那样先定粗层、再不回头地逐层细化。它同时一次预测细两级的单元，把网络要处理的层数减半。在Toys4k图像条件生成上，其体素倒角距离为0.01107、IoU为0.4158，优于TRELLIS.2的0.01250与0.4017；在相同骨干下，训练所需显存更低、吞吐更高。