Efficiënte 3D-objectgeneratie op deelniveau via dubbele volumeverpakking

Efficient Part-level 3D Object Generation via Dual Volume Packing

June 11, 2025

Auteurs: Jiaxiang Tang, Ruijie Lu, Zhaoshuo Li, Zekun Hao, Xuan Li, Fangyin Wei, Shuran Song, Gang Zeng, Ming-Yu Liu, Tsung-Yi Lin

cs.AI

Samenvatting

Recente vooruitgang in 3D-objectgeneratie heeft zowel de kwaliteit als de efficiëntie aanzienlijk verbeterd. De meeste bestaande methoden genereren echter een enkel mesh waarin alle onderdelen samengesmolten zijn, wat de mogelijkheid beperkt om individuele onderdelen te bewerken of te manipuleren. Een belangrijke uitdaging is dat verschillende objecten een variërend aantal onderdelen kunnen hebben. Om dit aan te pakken, stellen we een nieuw end-to-end framework voor voor 3D-objectgeneratie op onderdeelniveau. Gegeven een enkele invoerafbeelding genereert onze methode hoogwaardige 3D-objecten met een willekeurig aantal complete en semantisch betekenisvolle onderdelen. We introduceren een duale volume-packingstrategie die alle onderdelen organiseert in twee complementaire volumes, waardoor de creatie van complete en verweven onderdelen mogelijk wordt die samen het uiteindelijke object vormen. Experimenten tonen aan dat ons model betere kwaliteit, diversiteit en generalisatie bereikt dan eerdere beeldgebaseerde methoden voor generatie op onderdeelniveau.

English

Recent progress in 3D object generation has greatly improved both the quality and efficiency. However, most existing methods generate a single mesh with all parts fused together, which limits the ability to edit or manipulate individual parts. A key challenge is that different objects may have a varying number of parts. To address this, we propose a new end-to-end framework for part-level 3D object generation. Given a single input image, our method generates high-quality 3D objects with an arbitrary number of complete and semantically meaningful parts. We introduce a dual volume packing strategy that organizes all parts into two complementary volumes, allowing for the creation of complete and interleaved parts that assemble into the final object. Experiments show that our model achieves better quality, diversity, and generalization than previous image-based part-level generation methods.