上一部的 vecset 是无序的一袋向量。这一部是它的对立面：把 latent 钉在一个显式 3D 骨架（稀疏体素）上， 每个 token 都有坐标——可原地编辑、能用空间生成器、还能一份 latent 解出 mesh / 3DGS / 辐射场。 结构化 vs 非结构化 latent，是这个领域的定义性分轴。 本部还收了"把无序高斯结构化后再生成"（含你点名的 TripoSplat）和正在崛起的部件级生成。
想原生生成高分辨率、带材质的 3D，但稠密体素太贵（痛点 b）。
关键想法：XCube 在 稀疏体素层级（VDB）上做粗到细的潜变量扩散，前馈生成到 $1024^3$ 有效分辨率。3DTopia-XL 用 PrimX——把资产编码成 $N$ 个"原语"，每个原语 = 3D 位置 + 尺度 + 一小块体素载荷（局部 SDF + albedo + 材质），整个物体成了一个紧凑、空间锚定的原语张量，跑 DiT。
相比 vecset 的"无坐标一袋向量"，这里 latent 挂在显式 3D 结构上——这是 SLAT 的稀疏体素骨架的概念种子。
以往生成器把你锁死在一种输出格式（mesh 或 NeRF 或高斯）和一个 decoder，难通用、难编辑。
关键想法：一个 Structured LATent (SLAT)——稀疏体素骨架 + 每个活跃体素一个局部 latent（局部 latent 来自把多视图 DINOv2 特征反投影聚合到体素上）。两阶段 rectified-flow：先采结构（哪些体素活跃），再采局部 latent。一份 SLAT 用三个小 decoder 分别解出 mesh / 3DGS / 辐射场。最高 2B 参数，~50 万物体。
相比 vecset（无坐标、单 decoder、单格式），SLAT 有坐标、可原地编辑、一份 latent 解多种格式——结构化派的奠基之作。
SLAT 两层：(1) 结构——只有与表面相交的体素"活跃"（稀疏占据格，内存随表面积而非体积涨）； (2) 局部 latent——从多视图渲染里抽 DINOv2 特征、反投影聚合到每个活跃体素，编码局部几何+外观。 既然 latent 钉在一个共享 3D 空间里，就能训一个重的生成先验、摊给所有下游格式：mesh 进引擎、3DGS 实时渲、RF 做视图合成——而且三者天然互相一致（同一份 latent 解出来的）。还能局部编辑（只改一块体素的 latent），这是单格式模型给不了的。
TRELLIS 类模型在规范姿态里生成、只靠 cross-attention 松散注入图像，导致几何与输入视角对不齐、丢像素级保真。
关键想法：在像素对齐空间里生成——每个稀疏体素显式反投影采样输入特征图（投影 + 双线性插值），建立直接的像素↔3D 对应，而不是只靠注意力。多阶段 rectified-flow 级联（稀疏结构 → 形状 latent → PBR 纹理 latent），解出带 PBR 的 GLB 网格，可扩到多视图/场景。
相比 TRELLIS 的规范姿态 + 注意力条件，Pixal3D 用显式反投影把输入像素钉进体素 → 输入保真显著更高（Toys4K 上 IoU 93.6）。
两者都是 2026 年的极新工作（SIGGRAPH 2026 投稿期），仍带 mustard 前沿 tag，但 arXiv ID 已对照官方摘要页核验：
Pixal3D = 2605.10922（标题、作者、像素反投影摘要均符）；TripoSplat = 2605.16355，论文标题其实是 "Generative 3D Gaussians with Learned Density Control"，"TripoSplat" 是其项目 / 发布名。
一个值得记住的细节：Pixal3D 的论文分支基座是 Direct3D-S2，其代码仓 main 分支改进版才用 TRELLIS.2 基座——
所以它属于 TRELLIS 谱系 / 家族，而非 TRELLIS 本体。
原生网格生成相对容易（SDF 是空间上的单个连续函数）。原生3D 高斯生成难得多——它是 一组无序、数目可变、属性尺度跨好几个量级的原语。于是几乎所有方法都先把高斯"结构化"，再扩散。
3DGS 在空间上无组织，没法直接上标准卷积/扩散网络。
关键想法：GaussianCube 用最优传输把固定数量高斯搬到规则体素格 → 跑 3D U-Net 扩散；GVGEN 排成 GaussianVolume + 先扩 GDF 骨架；DiffGS 把 3DGS 表示成三个连续函数（概率/颜色/变换）再扩散，可任意数量采样；L3DG 用稀疏卷积 VQ-VAE 压成 latent 再扩散。
共同主题——"先把无序高斯结构化（OT 到格 / 函数 / 压缩 latent），再扩散"。
原生高斯生成需要可变、无序、数目任意的高斯；固定格法封顶细节、还浪费容量在空处。
关键想法：Density-Sampled Gaussians (DeG)——把高斯中心建模成一个八叉树上可学概率密度的采样（"learned density control"），推理时能抽任意数量（最高 262,144）、按需权衡质量 vs 渲染代价；用 VecSeq（把 latent token 锚到确定性 Sobol 序列）治高斯的置换无序性。单图 → 3D 高斯。
相比 GaussianCube 的固定格，DeG 是无格、可变分辨率的高斯生成；和 TripoSG（VAST 的 vecset/mesh 分支）是同门的"原生高斯分支"。
把资产从"一坨融合的 blob"变成可编辑、有结构、能拆件的对象，是结构化思想的自然延伸。
单一融合 mesh 不可编辑、不能单独动一个部件。
关键想法：PartCrafter 在组合潜变量里（每个部件一组解耦 latent token）+ 层次注意力，从一张图联合生成多个语义部件、还能补全被遮挡部件，无需预分割；HoloPart 定义 3D 部件amodal 分割（扩散补全被遮表面成完整部件）；PartGen 用多视图扩散先分件再逐件重建。
从"生成一个不可分的形状"走向"生成带部件结构的资产"——通往可动、可编辑资产（见 Part IX 的 AniGen）。
场景一支的 MIDI（2412.03558，多实例扩散，一次性生成场景里所有物体并用多实例注意力建模相互关系）把这套组合思想抬到了场景尺度。
祖先（XCube 稀疏体素层级 / 3DTopia-XL 的 PrimX 原语）→ TRELLIS 的 SLAT（稀疏体素 + 局部 latent，一份解多格式）→ 2026 后继（Pixal3D 像素对齐）。 它和 Part VI 的 vecset 派 构成全领域的定义性分轴：结构化 = latent 有坐标（可编辑、可解多格式、按表面稀疏）；非结构化 = 一袋向量（灵活、分辨率无关，但难定位/编辑）。 原生 3DGS 生成（GaussianCube/DiffGS/TripoSplat）多半是"先结构化无序高斯、再扩散"的工程。下一部，回到"能用"二字——干净拓扑与材质。