論文の概要: SCULPT: Subtractive Composition for 3D Part Generation

• arxiv url: http://arxiv.org/abs/2608.13541v1
• Date: Thu, 13 Aug 2026 17:55:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.634568
• Title: SCULPT: Subtractive Composition for 3D Part Generation
• Title（参考訳）: SCULPT:3次元パーツ生成のためのサブトラクティブ合成
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 48.947695076233835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Part-aware 3D generation aims to create digital assets that are coherent as complete objects while exposing structural parts for editing, material assignment, animation, and reuse. Existing methods impose this structure outside the native generation loop: segmentation-based methods partition an already generated shape, while additive methods synthesize parts from predefined layouts, boxes, or tokens and then reconcile them into a whole. The former preserves the generated geometry but fixes the object before part boundaries are determined; the latter exposes part cardinality but often leaves shared boundaries vulnerable to gaps, interpenetrations, and material discontinuities. In this paper, we propose SCULPT, a framework that addresses these challenges through subtractive composition. Given a complete object represented in a structured 3D latent space, SCULPT iteratively applies a joint split predictor to generate one extracted part together with the remaining object. The predictor performs a coupled denoising process conditioned on both the image and the current 3D state, so the extracted part and updated remainder are generated together rather than reconciled after generation. The joint split predictor processes both outputs on the union of their native sparse 3D supports, allowing neighboring supports to overlap rather than imposing a disjoint voxel partition. The rollout ends when the remainder support becomes empty or reaches a fixed safety cap, allowing the number of generated parts to adapt to each object within that bound. Extensive experiments demonstrate state-of-the-art geometry on PartObjaverse while preserving strong complete-object reconstruction after part assembly. Results on four dataset images, one text-to-image-generated input, and one real-world photograph further show fine-grained textured part decomposition beyond the benchmark.
• Abstract（参考訳）: パートアウェアな3D生成は、編集、素材割り当て、アニメーション、再利用のための構造部品を公開しながら、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る。 セグメンテーションベースのメソッドは、既に生成された形状を分割し、付加的なメソッドは、事前に定義されたレイアウト、ボックス、トークンから部品を合成し、それらを全体へと再構成する。 前者は生成した幾何学を保存するが、部分境界が決定される前にオブジェクトを固定する。 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。 SCULPTは、構造化された3次元潜伏空間に表される完全な対象が与えられたとき、連続分割予測器を反復的に適用して、残りの対象とともに1つの抽出された部分を生成する。 予測器は、画像と現在の3D状態の両方に条件付けされた結合復調処理を行うので、抽出された部分と更新された残余は、生成後に調整されるのではなく、一緒に生成される。 共同分割予測器は、2つの出力をそれぞれのネイティブスパース3Dサポートの結合で処理し、分離されたボクセルパーティションを課すのではなく、隣接するサポートを重複させる。 ロールアウトは、残りのサポートが空になったり、固定された安全キャップに達したりすると終了し、生成された部品の個数は、そのバウンド内の各オブジェクトに適合する。 広汎な実験は、部分集合後の強い完全対象再構成を維持しながら、PartObjaverseにおける最先端の幾何学を実証する。 4つのデータセット画像,1つのテキストから画像への入力,および1つの実世界の写真の結果は,ベンチマークを超える微細なテクスチャ化部分分解を示す。

関連論文リスト

• SAM3D-Part: Interactive Part Selection and Generation from 3D Objects [20.379932054770588]
  本稿では,入力3Dオブジェクトメッシュから選択部品を生成するためのプロンプト駆動型フレームワークSAM3D-Partを提案する。 SAM3D-Partはソースアライメントを大幅に改善し、コンディショニングコストを低減し、一貫した選択的部分生成を可能にする。
  論文  参考訳（メタデータ） (2026-09-14T14:26:34Z)
• PartMat: Material-Aware 3D Part Decomposition with a Single Global Latent [7.354114153015086]
  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。
  論文  参考訳（メタデータ） (2026-08-03T07:32:10Z)
• Beyond Spatial Compression: Interface-Centric Generative States for Open-World 3D Structure [55.17771962316751]
  現在の3Dトークンは、表現を空間圧縮として扱うが、コンポーネントの所有権とアタッチメントの妥当性は暗黙的に残す。 我々は、トークン化がパッシブ圧縮コードではなく操作状態を構成する、インターフェイス中心の生成状態という別の視点を定式化する。 我々は、この定式化を、C2LT-3D(Component-Conditioned Canonical Local Tokens)でインスタンス化し、表現を標準局所幾何学、パーティション条件付きコンテキスト、およびリレーショナルシーム変数に分解する。
  論文  参考訳（メタデータ） (2026-05-11T12:09:28Z)
• AutoPartGen: Autogressive 3D Part Generation and Discovery [66.14255946353475]
  本稿では,3次元部品からなるオブジェクトを自己回帰的に生成するモデルであるAutoPartGenを紹介する。 このモデルは、オブジェクトの画像、オブジェクトの2Dマスク、または既存の3Dオブジェクトを入力として、対応する合成3D再構成を生成することができる。 我々はAutoPartGenの全体的な3D生成能力と部分レベル生成品質を評価し、3Dパーツ生成における最先端性能を実現することを実証した。
  論文  参考訳（メタデータ） (2025-07-17T17:59:47Z)
• Efficient Part-level 3D Object Generation via Dual Volume Packing [51.712083185732894]
  パートレベルの3Dオブジェクト生成のための新しいエンドツーエンドフレームワークを提案する。 提案手法は,任意の数の完全かつ意味論的に意味のある部分を持つ高品質な3Dオブジェクトを生成する。
  論文  参考訳（メタデータ） (2025-06-11T17:55:03Z)
• PartCrafter: Structured 3D Mesh Generation via Compositional Latent Diffusion Transformers [29.52313100024294]
  1枚のRGB画像から複数の意味論的および幾何学的に異なる3Dメッシュを共同で合成する最初の構造化3D生成モデルであるPartCrafterを紹介する。 PartCrafterは同時に複数の3Dパーツを識別し、個々のオブジェクトと複雑な複数オブジェクトのシーンの両方をエンドツーエンドで生成する。 実験によると、PartCrafterは分解可能な3Dメッシュの生成において、既存のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2025-06-05T20:30:28Z)
• 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)

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。