論文の概要: Point2Part: Unified 3D Partitioning from Point Prompts
- arxiv url: http://arxiv.org/abs/2609.38180v1
- Date: Tue, 29 Sep 2026 17:59:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.838728
- Title: Point2Part: Unified 3D Partitioning from Point Prompts
- Title（参考訳）: ポイント2パート:ポイントプロンプトからの統一された3D分割
- Abstract要約: 画像やメッシュから3次元部分分解を行うための高速モデルを開発した。
ユーザーは制御可能な分解のための3Dポイントプロンプトを通じて、所望のパーツを指定できる。
本稿では,全ての部分トークンに対して,全形状を粗い方法で共同でスコアリングする新しい部分デコーダを提案する。
- 参考スコア（独自算出の注目度）: 33.25660318078227
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing 3D part decomposition methods do not necessarily partition the original shape into non-overlapping parts that collectively cover the entire shape, allowing overlaps or gaps that hinder downstream part-level applications. We instead formulate part decomposition as a joint partitioning of the entire shape, where the predicted parts are non-overlapping and jointly recover the entire shape. Our key insight is that part decomposition should consider all desired parts jointly, rather than modeling each part independently. To this end, we develop a promptable model for 3D part decomposition from images or meshes. Users can specify desired parts through 3D point prompts for controllable decomposition. Given one point prompt per desired part, our model produces the corresponding parts as a complete partition of the entire shape. We build on a pretrained 3D generation model and first obtain a shape latent from either an input image or mesh. We then introduce a prompt encoder that maps each 3D point prompt to a part token while attending to the shape latent. To decode the desired parts, we propose a novel part decoder jointly scoring the entire shape against all part tokens in a coarse-to-fine manner, assigning every position within the shape volume to exactly one part. We perform part decomposition in this shared shape latent space, enabling a unified model for image-to-part generation, mesh-to-part generation, and part segmentation. Our method outperforms existing works on all part-quality metrics across all three tasks, and improves compatibility among parts by an order of magnitude over previous SOTA methods. Code and models will be released.
- Abstract（参考訳）: 既存の3D部分分解法は、元の形状を全形状を包含する重複しない部分に分割するわけではない。
代わりに、予測された部品が重なり合わず、全体の形状を復元する、全形状の結合分割として部分分解を定式化する。
私たちのキーとなる洞察は、各パーツを独立してモデリングするのではなく、すべての所望のパーツを共同で検討すべきである、ということです。
この目的のために,画像やメッシュから3次元部分分解を行う高速化可能なモデルを開発した。
ユーザーは制御可能な分解のための3Dポイントプロンプトを通じて、所望のパーツを指定できる。
所望の部分に1点のプロンプトが与えられた場合、本モデルでは、対応する部分を全形状の完全な分割として生成する。
事前訓練された3次元生成モデルに基づいて構築し、まず入力画像またはメッシュから遅延した形状を得る。
次に、3Dポイントプロンプトを部品トークンにマッピングするプロンプトエンコーダを導入する。
所望の部品を復号化するために,各部品のトークンに対して全形状を粗い方法でスコアリングし,形状容積内のすべての位置を正確に1つの部品に割り当てる新しい部品復号器を提案する。
我々は、この共有形状潜在空間において部分分解を行い、画像から部分への生成、メッシュから部分への生成、部分分割の統一モデルを可能にする。
提案手法は,既存の3つのタスクのすべての部分品質指標よりも優れており,従来のSOTA手法よりも桁違いに部品間の互換性が向上している。
コードとモデルはリリースされる。
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) - 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) - FullPart: Generating each 3D Part at Full Resolution [33.98986324893688]
FullPartは暗黙のパラダイムと明示的なパラダイムを組み合わせた新しいフレームワークである。
それぞれが固定されたフル解像度のボクセルグリッド内で、詳細部分を生成する。
信頼性の高い部分データの不足に対処するため,40Kオブジェクトと320Kパーツで現在までに最大規模の人型アノテーション付き3DパーツデータセットであるPartVerse-XLを提案する。
論文 参考訳（メタデータ） (2025-10-30T04:51:05Z) - PARTFIELD: Learning 3D Feature Fields for Part Segmentation and Beyond [70.95930509071451]
PartFieldは、パートベースの3D機能を学ぶためのフィードフォワードアプローチである。
PartFieldは、他のクラスに依存しない部分分割方法よりも最大20%正確で、多くの場合、桁違いに高速です。
論文 参考訳（メタデータ） (2025-04-15T17:58:16Z) - HoloPart: Generative 3D Part Amodal Segmentation [23.84639726216676]
3D部分のアモーダルセグメンテーションは難しいが、3Dコンテンツの作成と理解にとって重要な課題だ。
2Dアモーダルセグメンテーションにインスパイアされたこの新しいタスクを3Dドメインに導入し、実用的な2段階のアプローチを提案する。
我々は,ABOおよびPart-Tinyデータセットに基づく新しいベンチマークを導入し,HoloPartが最先端の形状補完法を大幅に上回っていることを示す。
論文 参考訳（メタデータ） (2025-04-10T17:53:31Z) - 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) - The Shape Part Slot Machine: Contact-based Reasoning for Generating 3D
Shapes from Parts [33.924785333723115]
接触型推論により既存の部品から新しい3次元形状を組み立てる手法を提案する。
本手法は,各形状を2つの形状部品間の接触領域であるスロットのグラフとして表現する。
提案手法は, 既存のモデリング手法よりも品質, 多様性, 構造的複雑さの点で優れる形状を生成することを実証する。
論文 参考訳（メタデータ） (2021-12-01T15:54:54Z) - 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)
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。