Identifique a Peça: Segmentação e Nomenclatura de Peças em 3D
Name That Part: 3D Part Segmentation and Naming
December 19, 2025
Autores: Soumava Paul, Prakhar Kaushik, Ankit Vaidya, Anand Bhattad, Alan Yuille
cs.AI
Resumo
Abordamos a segmentação semântica de partes 3D: a decomposição de objetos em partes com nomes significativos. Embora existam conjuntos de dados com anotações de partes, suas definições são inconsistentes entre os conjuntos, limitando o treinamento robusto. Métodos anteriores produzem decomposições não rotuladas ou recuperam partes individuais sem anotações completas da forma. Propomos o ALIGN-Parts, que formula a nomeação de partes como uma tarefa direta de alinhamento de conjuntos. Nosso método decompõe formas em *partlets* — representações implícitas de partes 3D — correspondidas a descrições de partes por meio de atribuição bipartida. Combinamos pistas geométricas de campos de partes 3D, aparência de características visuais multi-view e conhecimento semântico de descrições de affordance geradas por modelos de linguagem. Uma perda de alinhamento de texto garante que os *partlets* compartilhem o espaço de incorporação com o texto, permitindo uma configuração teoricamente de vocabulário aberto para correspondência, dado dados suficientes. Nosso método eficiente e novo de segmentação e nomeação de partes 3D em *uma única etapa* encontra aplicações em várias tarefas subsequentes, incluindo servir como um mecanismo de anotação escalável. Como nosso modelo suporta correspondência *zero-shot* a descrições arbitrárias e previsões calibradas por confiança para categorias conhecidas, com verificação humana, criamos uma ontologia unificada que alinha PartNet, 3DCoMPaT++ e Find3D, consistindo em 1.794 partes 3D únicas. Também mostramos exemplos de nosso novo conjunto de dados Tex-Parts. Introduzimos ainda duas novas métricas apropriadas para a tarefa de segmentação de partes 3D nomeadas.
English
We address semantic 3D part segmentation: decomposing objects into parts with meaningful names. While datasets exist with part annotations, their definitions are inconsistent across datasets, limiting robust training. Previous methods produce unlabeled decompositions or retrieve single parts without complete shape annotations. We propose ALIGN-Parts, which formulates part naming as a direct set alignment task. Our method decomposes shapes into partlets - implicit 3D part representations - matched to part descriptions via bipartite assignment. We combine geometric cues from 3D part fields, appearance from multi-view vision features, and semantic knowledge from language-model-generated affordance descriptions. Text-alignment loss ensures partlets share embedding space with text, enabling a theoretically open-vocabulary matching setup, given sufficient data. Our efficient and novel, one-shot, 3D part segmentation and naming method finds applications in several downstream tasks, including serving as a scalable annotation engine. As our model supports zero-shot matching to arbitrary descriptions and confidence-calibrated predictions for known categories, with human verification, we create a unified ontology that aligns PartNet, 3DCoMPaT++, and Find3D, consisting of 1,794 unique 3D parts. We also show examples from our newly created Tex-Parts dataset. We also introduce 2 novel metrics appropriate for the named 3D part segmentation task.