論文の概要: Seeing Both the Forest and the Trees: Reusing Holistic 3D Priors for Part-Decomposed Generation

• arxiv url: http://arxiv.org/abs/2610.21850v1
• Date: Thu, 15 Oct 2026 13:27:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.089591
• Title: Seeing Both the Forest and the Trees: Reusing Holistic 3D Priors for Part-Decomposed Generation
• Title（参考訳）: 森林と樹木を両立する:部分分解生成のためのホロスティックな3次元前駆体を再利用する
• Abstract要約: 部分分解生成モデルが全体論的先行特性の両特性をどのように継承するかを示す。 STRUCTPARTSは、デュアルフレーム座標インターリービング機構にコア技術が貢献するフレームワークである。 トレーニングコストのごく一部で、従来の部分分解モデルと一致または超えている。
• 参考スコア（独自算出の注目度）: 27.416737049292834
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating 3D assets with explicit parts requires two properties at once: geometric detail inside each part and structural coherence across the whole object. Recent image-conditioned 3D generation models adopt a structured 3D representation that anchors tokens to explicit spatial positions, capturing both properties, but their output remains a single fused mesh. We ask how a part-decomposed generation model can inherit both properties of these holistic priors, and answer with STRUCTPARTS, a framework whose core technical contribution is a dual-frame coordinate interleaving mechanism: each shape latent is interpreted under both a part-local and an object-global reference frame, and processed through a global-local inter-leaved transformer that simultaneously reuses the prior's geometric detail at the part scale and its structural coherence at the whole-object scale. As its structural input, STRUCTPARTS uses a segmented mesh scaffold, a coarse mesh paired with a face-level segmentation mask kept entirely within the prior's native 3D representation. With only lightweight finetuning, both intra-part detail and inter-part coherence emerge from the same pretrained weights. On PartObjaverse-Tiny, STRUCTPARTS matches or surpasses prior part-decomposed models at a fraction of their training cost, while naturally supporting part-mesh refinement and part-level editing.
• Abstract（参考訳）: 明示的な部分で3Dアセットを生成するには、各部分の内部の幾何学的詳細と、オブジェクト全体の構造的コヒーレンスという2つの特性が必要である。 最近の画像条件付き3D生成モデルは、トークンを明示的な空間的位置に固定する構造化された3D表現を採用し、両方の特性をキャプチャするが、出力は単一の融合メッシュのままである。 部分分解生成モデルがこれらの全体的先行特性の両特性をどう継承するかを問うとともに,その中心となる技術的貢献が二重フレーム座標のインターリーブ機構であるSTRUCTPARTSを問う。各形状ラテントは,部分局所的およびオブジェクトグローバル的参照フレームの両方の下で解釈され,その部分スケールにおける先行の幾何学的詳細と全体オブジェクトスケールにおける構造的コヒーレンスを同時に再利用するグローバル局所的リーブド変換器によって処理される。 構造的な入力として、STRUCTPARTSは、以前のネイティブな3D表現内に完全に保持された顔レベルのセグメンテーションマスクと組み合わせた粗いメッシュであるセグメンテーションメッシュの足場を使用する。 軽量な微調整のみにより、パート内詳細とパート間コヒーレンスは同じ事前訓練された重みから出現する。 パートObjaverse-Tinyでは、STRUCTPARTSはトレーニングコストのわずかな部分分解モデルと一致またはオーバーし、パートメッシュの改良と部分レベルの編集を自然にサポートしている。

関連論文リスト

• Seg3DParts: Segmentation-Grounded Controllable Part-Level 3D Generation [40.64186003201969]
  Seg3DPartsは、単一画像から制御可能な部分レベル3D生成のためのセグメンテーショングラウンドフレームワークである。 構造化されたクロスパート相互作用により、コンポーネントは生成プロセス全体を通してグローバルなコンテキストを交換できる。 PartObjectNetは200万以上のオブジェクトと1Mのアノテートされたパーツを持つ大規模なデータセットである。
  論文  参考訳（メタデータ） (2026-09-29T07:38:11Z)
• PartLLM: A Unified Multimodal Foundation for 3D Part Segmentation [60.659851579884666]
  部分分割はコンピュータグラフィックスと3Dビジョンの基本的な問題である。 本稿では,3次元部分分割を自己回帰的意味分解として定式化する統一モデルPartLLMを紹介する。
  論文  参考訳（メタデータ） (2026-09-22T07:58:27Z)
• 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)
• From Part to Whole: 3D Generative World Model with an Adaptive Structural Hierarchy [37.32082026876477]
  本稿では,潜在構造スロットを自律的に発見する新しい3次元生成世界モデルを提案する。 軽量な3D再構成器は、統合拡散目的により幾何学と外観に導入される。 実験は、クロスカテゴリ転送とパート数外挿において一貫した利得を示す。
  論文  参考訳（メタデータ） (2026-03-23T04:25:40Z)
• 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)
• MeshArt: Generating Articulated Meshes with Structure-Guided Transformers [30.402843919926802]
  MeshArtは階層的なトランスフォーマーベースのアプローチで、調音された3Dメッシュを生成する。 構造カバレッジは57.1%向上し,メッシュ生成FIDは209ポイント向上した。
  論文  参考訳（メタデータ） (2024-12-16T09:35:08Z)
• 3D Part Segmentation via Geometric Aggregation of 2D Visual Features [57.20161517451834]
  監督された3D部分分割モデルは、固定されたオブジェクトと部品のセットに合わせて調整されており、それらの転送可能性は、オープンセットの現実世界のシナリオに制限される。 近年、視覚言語モデル(VLM)を多視点レンダリングとテキストプロンプトを用いてオブジェクト部品の識別に活用する研究が進められている。 これらの制約に対処するために,視覚概念から抽出した意味論と3次元幾何学をブレンドし,対象部品を効果的に同定するCOPSを提案する。
  論文  参考訳（メタデータ） (2024-12-05T15:27:58Z)
• 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)
• 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。