PartNeXt: Un Conjunto de Datos de Próxima Generación para la Comprensión Detallada y Jerárquica de Piezas 3D

PartNeXt: A Next-Generation Dataset for Fine-Grained and Hierarchical 3D Part Understanding

October 23, 2025

Autores: Penghao Wang, Yiyang He, Xin Lv, Yukai Zhou, Lan Xu, Jingyi Yu, Jiayuan Gu

cs.AI

Resumen

Comprender los objetos a nivel de sus partes constituyentes es fundamental para avanzar en visión por computadora, gráficos y robótica. Si bien conjuntos de datos como PartNet han impulsado el progreso en la comprensión de partes 3D, su dependencia de geometrías sin textura y anotaciones que requieren expertos limita la escalabilidad y usabilidad. Presentamos PartNeXt, un conjunto de datos de próxima generación que aborda estas limitaciones con más de 23,000 modelos 3D texturizados de alta calidad, anotados con etiquetas de partes jerárquicas y granulares en 50 categorías. Evaluamos PartNeXt en dos tareas: (1) segmentación de partes independiente de la clase, donde los métodos de vanguardia (por ejemplo, PartField, SAMPart3D) tienen dificultades con las partes granulares y de nivel hoja, y (2) respuesta a preguntas centradas en partes 3D, un nuevo punto de referencia para los modelos de lenguaje grandes 3D (3D-LLMs) que revela brechas significativas en la localización de partes de vocabulario abierto. Adicionalmente, entrenar Point-SAM en PartNeXt produce ganancias sustanciales respecto a PartNet, subrayando la calidad y diversidad superior del conjunto de datos. Al combinar anotación escalable, etiquetas conscientes de las texturas y evaluación multitarea, PartNeXt abre nuevas vías para la investigación en comprensión estructurada 3D.

English

Understanding objects at the level of their constituent parts is fundamental to advancing computer vision, graphics, and robotics. While datasets like PartNet have driven progress in 3D part understanding, their reliance on untextured geometries and expert-dependent annotation limits scalability and usability. We introduce PartNeXt, a next-generation dataset addressing these gaps with over 23,000 high-quality, textured 3D models annotated with fine-grained, hierarchical part labels across 50 categories. We benchmark PartNeXt on two tasks: (1) class-agnostic part segmentation, where state-of-the-art methods (e.g., PartField, SAMPart3D) struggle with fine-grained and leaf-level parts, and (2) 3D part-centric question answering, a new benchmark for 3D-LLMs that reveals significant gaps in open-vocabulary part grounding. Additionally, training Point-SAM on PartNeXt yields substantial gains over PartNet, underscoring the dataset's superior quality and diversity. By combining scalable annotation, texture-aware labels, and multi-task evaluation, PartNeXt opens new avenues for research in structured 3D understanding.