論文の概要: SAM3D-Part: Interactive Part Selection and Generation from 3D Objects

• arxiv url: http://arxiv.org/abs/2609.15639v1
• Date: Mon, 14 Sep 2026 14:26:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.435981
• Title: SAM3D-Part: Interactive Part Selection and Generation from 3D Objects
• Title（参考訳）: SAM3D-Part:3Dオブジェクトからのインタラクティブなパーツ選択と生成
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 20.379932054770588
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Part-level control is essential for modern 3D asset creation, where objects are frequently edited, reused, animated, or fabricated through their individual components. In many such workflows, users need only several specific components rather than a complete object decomposition. However, existing 3D generation methods produce all parts regardless of user intent, while promptable 3D segmentation methods typically output partial surfaces instead of reusable complete meshes. In addition, image-conditioned part generators further struggle to preserve hidden geometry and accurate placement without directly conditioning on the source mesh. To address these problems, we present SAM3D-Part, a prompt-driven framework for selective part generation from input 3D object meshes. Given a source mesh and a part prompt, SAM3D-Part first encodes the source geometry into compact mesh features and aligns them with the rendered image, selective mask, and point-map observations via pixel-wise channel fusion. The fused representation conditions a feed-forward generative model to produce only the queried component as a completed mesh. To place the generated part back into the source coordinate frame, SAM3D-Part predicts dense per-voxel correspondences and estimates the part transformation from distributed spatial evidence rather than a single global pose code. For sequential multi-part queries, previously generated parts are stored in a part cache and reused as contextual constraints, reducing conflicts among independently requested components. Extensive experiments and ablations demonstrate that SAM3D-Part can significantly improve source alignment, reduce conditioning cost, and enable consistent selective part generation, achieving state-of-the-art. Code and weights will be available at https://github.com/Jiahao620/sam3d-part.
• Abstract（参考訳）: パーツレベルの制御は、オブジェクトが頻繁に編集、再利用、アニメーション化、あるいは個々のコンポーネントで作成される現代の3Dアセット作成に不可欠である。 多くのワークフローでは、ユーザーは完全なオブジェクト分解ではなく、いくつかの特定のコンポーネントしか必要としない。 しかし、既存の3D生成手法は、ユーザ意図にかかわらず全てのパーツを生成する一方、プロンプト可能な3Dセグメンテーション手法は、再利用可能な完全メッシュではなく、通常は部分曲面を出力する。 さらに、画像条件付き部品ジェネレータは、ソースメッシュを直接条件付けすることなく、隠れた幾何学と正確な配置を維持するのにさらに苦労する。 これらの問題に対処するために,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。 ソースメッシュと部分プロンプトを与えられたSAM3D-Partは、まずソースジオメトリをコンパクトなメッシュ特徴にエンコードし、描画された画像、選択マスク、およびピクセルワイドチャネル融合によるポイントマップ観察と整合させる。 融合表現はフィードフォワード生成モデルに条件付けされ、クエリされたコンポーネントのみを完成メッシュとして生成する。 生成した部分をソース座標フレームに戻すため、SAM3D-Partは密度の高い語彙ごとの対応を予測し、単一のグローバルポーズコードではなく、分散空間的エビデンスから部分変換を推定する。 シーケンシャルなマルチパートクエリでは、以前に生成された部分は部分キャッシュに格納され、コンテキスト制約として再利用される。 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、一貫した選択部分の生成を可能にし、最先端の達成を可能にする。 コードとウェイトはhttps://github.com/Jiahao620/sam3d-part.comで入手できる。

関連論文リスト

• MultiCube: Compositional 3D Generation With Part-Level Semantic and Spatial Control [43.67846683430802]
  MultiCubeは、各部分のセマンティクスと空間配置の両方を明示的かつ独立的に制御する構成的な3D生成方法である。 与えられた意味や空間条件に従属する、特定の部分ごとに1つのメッシュで構成された3Dオブジェクトを出力する。
  論文  参考訳（メタデータ） (2026-08-20T17:44:48Z)
• 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)
• 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)
• 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)
• Disentangled 3D Scene Generation with Layout Learning [109.03233745767062]
  本稿では,コンポーネントオブジェクトに絡み合った3Dシーンを生成する手法を提案する。 私たちの重要な洞察は、オブジェクトは空間的に再構成された場合、同じシーンの有効な構成を生成する3Dシーンの一部を見つけることで発見できるということです。 単純さにもかかわらず、我々のアプローチは個々のオブジェクトに3Dシーンを生成することに成功している。
  論文  参考訳（メタデータ） (2024-02-26T18:54:15Z)
• AutoSweep: Recovering 3D Editable Objectsfrom a Single Photograph [54.701098964773756]
  セマンティックな部分で3Dオブジェクトを復元し、直接編集することを目的としている。 我々の研究は、一般化された立方体と一般化されたシリンダーという、2種類の原始的な形状の物体を回収する試みである。 提案アルゴリズムは,高品質な3Dモデルを復元し,既存手法のインスタンスセグメンテーションと3D再構成の両方で性能を向上する。
  論文  参考訳（メタデータ） (2020-05-27T12:16:24Z)

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。