Эффективное создание 3D-объектов на уровне частей с использованием двойной упаковки объемов
Efficient Part-level 3D Object Generation via Dual Volume Packing
June 11, 2025
Авторы: Jiaxiang Tang, Ruijie Lu, Zhaoshuo Li, Zekun Hao, Xuan Li, Fangyin Wei, Shuran Song, Gang Zeng, Ming-Yu Liu, Tsung-Yi Lin
cs.AI
Аннотация
Последние достижения в области генерации 3D-объектов значительно улучшили как качество, так и эффективность. Однако большинство существующих методов создают единый меш, в котором все части слиты вместе, что ограничивает возможность редактирования или манипулирования отдельными частями. Ключевая проблема заключается в том, что разные объекты могут иметь различное количество частей. Для решения этой задачи мы предлагаем новый сквозной фреймворк для генерации 3D-объектов на уровне частей. На основе одного входного изображения наш метод создает высококачественные 3D-объекты с произвольным количеством полных и семантически значимых частей. Мы вводим стратегию двойного объемного упорядочивания, которая организует все части в два взаимодополняющих объема, позволяя создавать полные и переплетенные части, которые собираются в итоговый объект. Эксперименты показывают, что наша модель превосходит предыдущие методы генерации на уровне частей на основе изображений по качеству, разнообразию и обобщающей способности.
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.