論文の概要: X-Part: high fidelity and structure coherent shape decomposition

• arxiv url: http://arxiv.org/abs/2509.08643v1
• Date: Wed, 10 Sep 2025 14:37:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.459067
• Title: X-Part: high fidelity and structure coherent shape decomposition
• Title（参考訳）: X-Part:高忠実度と構造コヒーレントな形状分解
• Authors: Xinhao Yan, Jiachen Xu, Yang Li, Changfeng Ma, Yunhan Yang, Chunshi Wang, Zibo Zhao, Zeqiang Lai, Yunfei Zhao, Zhuo Chen, Chunchao Guo,
• Abstract要約: X-Partは、総合的な3Dオブジェクトを意味論的に意味のある部分に分解するために設計された制御可能な生成モデルである。 X-Partは、部分生成のプロンプトとしてバウンディングボックスを使用し、意味のある分解のためにポイントワイドなセマンティック特徴を注入する。 この研究は、プロダクション対応、編集可能、構造的に健全な3Dアセットを作成するための新しいパラダイムを確立します。
• 参考スコア（独自算出の注目度）: 21.08914191612629
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating 3D shapes at part level is pivotal for downstream applications such as mesh retopology, UV mapping, and 3D printing. However, existing part-based generation methods often lack sufficient controllability and suffer from poor semantically meaningful decomposition. To this end, we introduce X-Part, a controllable generative model designed to decompose a holistic 3D object into semantically meaningful and structurally coherent parts with high geometric fidelity. X-Part exploits the bounding box as prompts for the part generation and injects point-wise semantic features for meaningful decomposition. Furthermore, we design an editable pipeline for interactive part generation. Extensive experimental results show that X-Part achieves state-of-the-art performance in part-level shape generation. This work establishes a new paradigm for creating production-ready, editable, and structurally sound 3D assets. Codes will be released for public research.
• Abstract（参考訳）: メッシュレトポロジー、紫外線マッピング、および3Dプリンティングなどの下流アプリケーションでは、部分レベルでの3D形状の生成が重要である。 しかし、既存の部分ベースの生成手法は十分な制御性がなく、意味論的に意味のある分解に苦しむことが多い。 そこで本研究では,立体オブジェクトを意味的に意味的かつ構造的に整合した部分に分解する制御可能な生成モデルであるX-Partを紹介する。 X-Partは、部分生成のプロンプトとしてバウンディングボックスを使用し、意味のある分解のためにポイントワイドなセマンティック特徴を注入する。 さらに,インタラクティブな部分生成のための編集可能なパイプラインを設計する。 広範囲な実験結果から, 部品形状生成において, X-Partは最先端の性能を達成できることが示唆された。 この研究は、プロダクション対応、編集可能、構造的に健全な3Dアセットを作成するための新しいパラダイムを確立します。 コードは公開研究のためにリリースされる。

関連論文リスト

• From One to More: Contextual Part Latents for 3D Generation [33.43336981984443]
  CoPartは、コヒーレントなマルチパーツ生成のために、3Dオブジェクトをコンテキスト部分潜在子に分解する、部分認識拡散フレームワークである。 そこで我々は,メッシュセグメンテーションと人間検証アノテーションから得られた新しい3次元部分データセットを構築した。 実験では、パートレベルの編集、オブジェクト生成、シーン構成において、前例のない制御性を持つCoPartの優れた能力を実証した。
  論文  参考訳（メタデータ） (2025-07-11T17:33:18Z)
• OmniPart: Part-Aware 3D Generation with Semantic Decoupling and Structural Cohesion [31.767548415448957]
  我々は,パートアウェアな3Dオブジェクト生成のための新しいフレームワークであるOmniPartを紹介する。 提案手法は,ユーザ定義部分の粒度,高精度なローカライゼーションをサポートし,多様な下流アプリケーションを実現する。
  論文  参考訳（メタデータ） (2025-07-08T16:46:15Z)
• PartGen: Part-level 3D Generation and Reconstruction with Multi-View Diffusion Models [63.1432721793683]
  テキスト,画像,構造化されていない3Dオブジェクトから意味のある部分からなる3Dオブジェクトを生成する新しいアプローチであるPartGenを紹介する。 提案手法は, 生成された実物および実物の3次元資産に対して評価し, セグメンテーションおよび部分抽出ベースラインを大きなマージンで上回っていることを示す。
  論文  参考訳（メタデータ） (2024-12-24T18:59:43Z)
• DiffFacto: Controllable Part-Based 3D Point Cloud Generation with Cross Diffusion [68.39543754708124]
  DiffFactoは,部品レベルの制御で形状の分布を学習する新しい確率的生成モデルである。 実験により,複数の制御軸を持つ新しい形状を生成可能であることが示された。 最先端のパートレベルの生成品質を実現し、可塑性かつコヒーレントな形状を生成する。
  論文  参考訳（メタデータ） (2023-05-03T06:38:35Z)
• Learning Unsupervised Hierarchical Part Decomposition of 3D Objects from a Single RGB Image [102.44347847154867]
  プリミティブの集合として3次元オブジェクトの幾何を共同で復元できる新しい定式化を提案する。 我々のモデルは、プリミティブのバイナリツリーの形で、様々なオブジェクトの高レベルな構造的分解を復元する。 ShapeNet と D-FAUST のデータセットを用いた実験により,部品の組織化を考慮すれば3次元形状の推論が容易になることが示された。
  論文  参考訳（メタデータ） (2020-04-02T17:58:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。