KAUST 提出 JoVox:体素生成训练吞吐提升 8 倍、FLOPs 降至 1/15

KAUST · hf · 2026-11-10

KAUST 团队提出 JoVox,一个针对轻量体素生成的离散流匹配框架。核心洞察是让细层参与决定粗层:不再为体素层级的每一层单独学分布,而是学习所有层级的联合分布,使粗单元的预测能参考邻近已生成的细单元;再配合一次输出两级更细单元的双级预测(将网络处理的层数减半)和回访早期决策的 unmasking 策略修正 masked diffusion 的不一致。对比当前 SOTA TRELLIS.2:训练吞吐高 8 倍,前向 FLOPs 仅 1/15,训练用 4 张 GPU(对方 32 张),Chamfer 距离还低 11%,在无条件与图像条件生成上均超过基线。