FLAT decodifica triangle splats diretamente dos latentes de video diffusion

O FLAT representa uma mudança de paradigma na geração de cenas 3D a partir de modelos de difusão de vídeo. Em vez de gerar nuvens de pontos ou Gaussians volumétricas, que são comuns em pipelines feedforward como Instant-NGP ou Gaussian Splatting, o método decodifica diretamente splats triangulares alinhados à superfície, em uma única passagem. Isso elimina a necessidade de otimização pós-generação, um gargalo comum em abordagens anteriores.

Essa arquitetura aproveita a estrutura latente já codificada pelo modelo Wan-2.1, que contém informação multi-vista e temporal. O decoder FLAT não apenas extrai geometria explícita, mas faz isso com foco em fidelidade geométrica: triângulos são mais sensíveis à orientação do que Gaussians, o que melhora a consistência das normais superficiais entre visões diferentes. A renderização final usa motores simples baseados em triângulos, tornando o resultado leve e compatível com dispositivos móveis ou navegadores web.

A capacidade de gerar geometria explícita sem etapas de pós-processamento muda o jogo para aplicações práticas. Cenas geradas com FLAT podem ser usadas diretamente em simulações físicas rígidas, jogos, AR/VR e pipelines de produção 3D. Não há mais necessidade de reconstruir colisões separadamente. Além disso, o fato de funcionar sobre qualquer variantes finetuned do Wan-2.1 sem re-treinamento mostra escalabilidade real no uso industrial.

Isso também abre caminho para novos tipos de interação. Um usuário pode explorar uma cena 3D em um tablet apenas arrastando o dedo, sem depender de motores pesados. É um passo concreto rumo a geração de conteúdo 3D acessível, portável e funcional desde o início.