P3-SAM: Native 3D-Teilesegmentierung

P3-SAM: Native 3D Part Segmentation

September 8, 2025

papers.authors: Changfeng Ma, Yang Li, Xinhao Yan, Jiachen Xu, Yunhan Yang, Chunshi Wang, Zibo Zhao, Yanwen Guo, Zhuo Chen, Chunchao Guo

cs.AI

papers.abstract

Die Segmentierung von 3D-Assets in ihre Bestandteile ist entscheidend, um das Verständnis von 3D zu verbessern, die Wiederverwendung von Modellen zu erleichtern und verschiedene Anwendungen wie die Teilegenerierung zu unterstützen. Aktuelle Methoden stoßen jedoch an Grenzen, wie mangelnde Robustheit bei der Verarbeitung komplexer Objekte und die Unfähigkeit, den Prozess vollständig zu automatisieren. In diesem Artikel stellen wir ein natives 3D-Punkt-promptbares Segmentierungsmodell namens P3-SAM vor, das entwickelt wurde, um die Segmentierung beliebiger 3D-Objekte in Komponenten vollständig zu automatisieren. Inspiriert von SAM besteht P3-SAM aus einem Feature-Extraktor, mehreren Segmentierungsköpfen und einem IoU-Prädiktor, was eine interaktive Segmentierung für Benutzer ermöglicht. Wir schlagen auch einen Algorithmus vor, um automatisch Masken auszuwählen und zu fusionieren, die von unserem Modell für die Instanzsegmentierung von Teilen vorhergesagt werden. Unser Modell wird auf einem neu erstellten Datensatz trainiert, der nahezu 3,7 Millionen Modelle mit sinnvollen Segmentierungsetiketten enthält. Vergleiche zeigen, dass unsere Methode präzise Segmentierungsergebnisse und eine starke Robustheit bei beliebigen komplexen Objekten erzielt und damit state-of-the-art Leistung erreicht. Unser Code wird in Kürze veröffentlicht.

English

Segmenting 3D assets into their constituent parts is crucial for enhancing 3D understanding, facilitating model reuse, and supporting various applications such as part generation. However, current methods face limitations such as poor robustness when dealing with complex objects and cannot fully automate the process. In this paper, we propose a native 3D point-promptable part segmentation model termed P3-SAM, designed to fully automate the segmentation of any 3D objects into components. Inspired by SAM, P3-SAM consists of a feature extractor, multiple segmentation heads, and an IoU predictor, enabling interactive segmentation for users. We also propose an algorithm to automatically select and merge masks predicted by our model for part instance segmentation. Our model is trained on a newly built dataset containing nearly 3.7 million models with reasonable segmentation labels. Comparisons show that our method achieves precise segmentation results and strong robustness on any complex objects, attaining state-of-the-art performance. Our code will be released soon.