P3-SAM : Segmentation native de pièces en 3D

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

La segmentation des actifs 3D en leurs parties constitutives est cruciale pour améliorer la compréhension 3D, faciliter la réutilisation des modèles et soutenir diverses applications telles que la génération de pièces. Cependant, les méthodes actuelles présentent des limitations, notamment une faible robustesse face aux objets complexes et une incapacité à automatiser entièrement le processus. Dans cet article, nous proposons un modèle natif de segmentation de parties 3D basé sur des points, appelé P3-SAM, conçu pour automatiser entièrement la segmentation de tout objet 3D en composants. Inspiré par SAM, P3-SAM se compose d'un extracteur de caractéristiques, de plusieurs têtes de segmentation et d'un prédicteur d'IoU, permettant une segmentation interactive pour les utilisateurs. Nous proposons également un algorithme pour sélectionner et fusionner automatiquement les masques prédits par notre modèle pour la segmentation d'instances de parties. Notre modèle est entraîné sur un nouvel ensemble de données contenant près de 3,7 millions de modèles avec des étiquettes de segmentation raisonnables. Les comparaisons montrent que notre méthode obtient des résultats de segmentation précis et une forte robustesse sur tout objet complexe, atteignant des performances de pointe. Notre code sera bientôt publié.

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.