Symmetry Matters: Auditing and Symmetrizing 3D Generative Models

对称性是许多物体类别中强大的先验条件，然而标准的 3D 生成模型基准几乎不报告是否保留了这一先验。我们研究无条件点云生成中对称性的保持情况。首先，我们通过多种 3D 生成模型审计生成形状的对称性，并计算基于巴赫氏距离 (Chamfer Distance, CD) 的归一化对称性分数。我们表明，尽管当前 3D 生成模型在标准评估下取得竞争成绩，但在应用对称性感知的评估协议后，揭示了持续的对称性差距。为测试这一差距是否仅源于训练数据，我们在从 ShapeNet 派生的镜像对象数据集上评估这些模型，并分析训练期间的对称性动态。在抽样和潜在层面上采用机制性可解释性技术进一步表明，反射对称性在所学的生成过程中并不可靠地被编码。最后，为了解决这一差距，我们提出一种数据中心的对称性感知干预：在半对象数据集上训练生成模型，并在抽样时通过反射重建完整对象。这种干预在多个 backbone 上显著改善了几何一致性和视觉合理性，同时在标准指标下保持竞争力。这表明需要在标准基准之外进行对称性感知评估，以及潜在的 3D 生成模型应在训练或抽样时显式地包含这一先验。