P3-SAM: Нативное 3D-сегментирование частей

P3-SAM: Native 3D Part Segmentation

September 8, 2025

Авторы: Changfeng Ma, Yang Li, Xinhao Yan, Jiachen Xu, Yunhan Yang, Chunshi Wang, Zibo Zhao, Yanwen Guo, Zhuo Chen, Chunchao Guo

cs.AI

Аннотация

Сегментация 3D-объектов на их составные части имеет ключевое значение для улучшения понимания 3D-данных, упрощения повторного использования моделей и поддержки различных приложений, таких как генерация частей. Однако современные методы сталкиваются с ограничениями, включая низкую устойчивость при работе со сложными объектами и невозможность полной автоматизации процесса. В данной статье мы предлагаем нативную модель сегментации частей на основе 3D-точек, названную P3-SAM, которая предназначена для полной автоматизации сегментации любых 3D-объектов на компоненты. Вдохновлённая SAM, P3-SAM состоит из экстрактора признаков, нескольких голов сегментации и предсказателя IoU, что позволяет пользователям выполнять интерактивную сегментацию. Мы также предлагаем алгоритм для автоматического выбора и объединения масок, предсказанных нашей моделью, для сегментации экземпляров частей. Наша модель обучается на новом наборе данных, содержащем почти 3,7 миллиона моделей с качественными метками сегментации. Сравнения показывают, что наш метод достигает точных результатов сегментации и высокой устойчивости на любых сложных объектах, демонстрируя передовые показатели. Наш код будет опубликован в ближайшее время.

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.