X-Part : décomposition de formes à haute fidélité et cohérence structurelle
X-Part: high fidelity and structure coherent shape decomposition
September 10, 2025
papers.authors: Xinhao Yan, Jiachen Xu, Yang Li, Changfeng Ma, Yunhan Yang, Chunshi Wang, Zibo Zhao, Zeqiang Lai, Yunfei Zhao, Zhuo Chen, Chunchao Guo
cs.AI
papers.abstract
La génération de formes 3D au niveau des parties est essentielle pour des applications en aval telles que la retopologie de maillages, le mappage UV et l'impression 3D. Cependant, les méthodes existantes de génération basée sur les parties manquent souvent de contrôlabilité suffisante et souffrent d'une décomposition sémantiquement peu significative. Pour répondre à ce problème, nous introduisons X-Part, un modèle génératif contrôlable conçu pour décomposer un objet 3D global en parties sémantiquement significatives et structurellement cohérentes, avec une haute fidélité géométrique. X-Part exploite la boîte englobante comme prompt pour la génération des parties et injecte des caractéristiques sémantiques point par point pour une décomposition significative. De plus, nous concevons un pipeline modifiable pour une génération interactive des parties. Les résultats expérimentaux approfondis montrent que X-Part atteint des performances de pointe dans la génération de formes au niveau des parties. Ce travail établit un nouveau paradigme pour la création d'actifs 3D prêts pour la production, modifiables et structurellement solides. Les codes seront publiés pour la recherche publique.
English
Generating 3D shapes at part level is pivotal for downstream applications
such as mesh retopology, UV mapping, and 3D printing. However, existing
part-based generation methods often lack sufficient controllability and suffer
from poor semantically meaningful decomposition. To this end, we introduce
X-Part, a controllable generative model designed to decompose a holistic 3D
object into semantically meaningful and structurally coherent parts with high
geometric fidelity. X-Part exploits the bounding box as prompts for the part
generation and injects point-wise semantic features for meaningful
decomposition. Furthermore, we design an editable pipeline for interactive part
generation. Extensive experimental results show that X-Part achieves
state-of-the-art performance in part-level shape generation. This work
establishes a new paradigm for creating production-ready, editable, and
structurally sound 3D assets. Codes will be released for public research.