論文の概要: PartMat: Material-Aware 3D Part Decomposition with a Single Global Latent

• arxiv url: http://arxiv.org/abs/2608.01825v1
• Date: Mon, 03 Aug 2026 07:32:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.38313
• Title: PartMat: Material-Aware 3D Part Decomposition with a Single Global Latent
• Title（参考訳）: PartMat: 材料を意識した3D部品分解
• Abstract要約: パートレベルの3D生成は構造化された編集可能な3Dアセットの製作に注目が集まっている。 既存のメソッドは通常、編集可能な材料境界ではなく、機能的意味論に従ってオブジェクトを分解する。 一つの大域ラテントを持つ多部形状を表現した,効率的な物質認識型3次元分解パイプラインであるPartMatを提案する。
• 参考スコア（独自算出の注目度）: 7.354114153015086
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Part-level 3D generation has recently attracted increasing attention for producing structured and editable 3D assets. However, existing methods typically decompose objects according to functional semantics rather than the editable material boundaries (e.g., fabric, wood, metal) required in practical 3D applications such as interior design. Additionally, current methods often generate parts independently, causing computational costs to scale linearly with the part count. To address these limitations, we present PartMat, an efficient material-aware 3D part decomposition pipeline that represents multi-part geometry with a single global latent. Given a reference image and a single whole-object geometry, PartMat decomposes the object into parts that follow material boundaries. First, we propose PartVAE to learn such a unified representation and decode all material parts in a single forward pass, thereby decoupling inference cost from the number of parts. Second, with this representation, a diffusion model is trained for part generation and refined via reinforcement learning for accurate material assignment and overlap suppression. Finally, to recover fine-grained geometric details, we introduce a sparse-voxel flow-matching model with part attention for geometry post-processing. Extensive experiments demonstrate that PartMat significantly outperforms existing baselines in material-aware decomposition accuracy and achieves comparable geometric quality, while maintaining efficient inference.
• Abstract（参考訳）: パートレベルの3D生成は、構造化された編集可能な3Dアセットの製作に注目が集まっている。 しかし、既存の手法は、インテリアデザインのような実用的な3Dアプリケーションに必要な編集可能な材料境界(例えば、布、木、金属)ではなく、機能的意味論に基づいてオブジェクトを分解するのが一般的である。 さらに、現在の手法は部品を独立に生成することが多く、計算コストは部品数とともに線形にスケールする。 これらの制約に対処するために、我々は、単一のグローバルラテントを持つ多部形状を表す効率的な物質認識3D部分分解パイプラインであるPartMatを提案する。 参照画像と単一のオブジェクト全体の幾何学が与えられた後、PartMatはオブジェクトを材料の境界に沿って分割する。 まず、このような統一表現を学習し、1つのフォワードパスですべての材料部品をデコードすることで、推論コストを部品数から分離する。 第2に, この表現を用いて, 部分生成のための拡散モデルを訓練し, 補強学習により精密な材料割り当てと重複抑制を行う。 最後に, 微粒な形状を復元するために, 形状後処理に注意を向けたスパース・ボクセル流マッチングモデルを導入する。 広範囲な実験により、PartMatは物質認識分解精度において既存のベースラインを著しく上回り、効率的な推論を維持しつつ、同等の幾何学的品質を達成することが示された。

関連論文リスト

• SCULPT: Subtractive Composition for 3D Part Generation [48.947695076233835]
  パートアウェアな3D生成は、完全なオブジェクトとして一貫性のあるデジタルアセットを作成することを目的としています。 本稿では,これらの課題に対処するフレームワークであるSCULPTを提案する。
  論文  参考訳（メタデータ） (2026-08-13T17:55:04Z)
• 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)
• Part123: Part-aware 3D Reconstruction from a Single-view Image [54.589723979757515]
  Part123は、一視点画像から部分認識された3D再構成のための新しいフレームワークである。 ニューラルレンダリングフレームワークにコントラスト学習を導入し、部分認識機能空間を学習する。 クラスタリングに基づくアルゴリズムも開発され、再構成されたモデルから3次元部分分割結果を自動的に導出する。
  論文  参考訳（メタデータ） (2024-05-27T07:10:21Z)
• Discovering 3D Parts from Image Collections [98.16987919686709]
  本稿では,2次元画像収集のみによる3次元部分発見の問題に対処する。 そこで我々は,手動で注釈付部品を監督する代わりに,自己監督型アプローチを提案する。 私たちのキーとなる洞察は、前もって新しい部分の形状を学習することで、各部分は、単純な幾何学を持つように制約されたまま、忠実にオブジェクトの形状に適合できるようにします。
  論文  参考訳（メタデータ） (2021-07-28T20:29:16Z)
• SEG-MAT: 3D Shape Segmentation Using Medial Axis Transform [49.51977253452456]
  入力形状の媒体軸変換(MAT)に基づく3次元形状分割の効率的な方法を提案する。 具体的には、MATに符号化された豊富な幾何学的および構造的情報により、3次元形状の異なる部分間の様々な種類の接合を識別することができる。 本手法は, セグメンテーション品質の点で最先端の手法より優れ, 桁違いに高速である。
  論文  参考訳（メタデータ） (2020-10-22T07:15:23Z)
• 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。