这一页把同主题实验收在一起展示。排序仍然按秒级时间戳倒序，星标和筛选逻辑与首页一致。
暂时不借 PAct，直接按 SceneTransporter 的核心思路做一个单图部件生成原型：先用 `SAM / KMeans / OT+edge` 做 part assignment，再把分配结果 lift 成独立 3D part meshes。4 个 PartNeXt 样例的 visible-surface benchmark 上，`SAM` 反而最好：`mean face IoU = 0.389`，高于 `KMeans = 0.337` 和 `OT+edge = 0.332`。这说明一旦目标变成“直接产出 3D parts”，边界质量比 patch-level assignment 的全局约束更关键。
把 SceneTransporter 的核心思想真正接到了下游部件生成上：先用 `KMeans` 或 `OT+edge` 做 patch-to-part assignment，导出 `mask.exr`，再送进官方 PAct 推理链。4 个 PartNeXt 样例上，两种前端都把 `part count` 稳住了，`mean_part_count_abs_error = 0.00`；但 `OT+edge` 目前只带来了局部语义变化，还没有系统性打赢 KMeans。这说明论文里的 assignment 思想是能桥接到部件生成前端的，但如果没有 compositional latent 和生成环内 routing，仅靠前端 mask 重写还不够把 PAct 的跨域语义漂移彻底拉回来。
严格按 SceneTransporter 的核心思想做了一个最小 probe：不直接碰 3D 生成器，而是只比较 patch-to-part assignment。本次在 6 个 PartNeXt rendered inputs 上对比了 `SAM`、`DINO patch KMeans`、`cosine routing`、`OT-noedge` 和 `SceneTransporter 风格 OT+edge`。结果并不自动站在 OT 这一边：均值上 `KMeans/cosine = 0.760`，`OT+edge = 0.708`，`OT-noedge = 0.702`，`SAM = 0.619`。这说明论文里的 assignment 约束思想很强，但在我们当前“无 compositional latent、只有图像 patch 特征”的简化设定里，还不能直接复制出它的优势。