騰訊混元提出了一個新的 3D 部件生成流程，包含兩個關鍵組件：

• P3-SAM：原生3D零件分割
• X-Part：高保真、結構一致的形狀分解

整體網格被輸入到部件檢測模塊 P3-SAM，以獲取語義特征、部件分割和部件邊界框。然后，X-Part 生成完整的部件。

效果展示

相關鏈接

P3-SAM：原生3D零件分割。

• 論文：https://arxiv.org/abs/2509.06784
• 代碼：https://github.com/Tencent-Hunyuan/Hunyuan3D-Part/tree/main/P3-SAM
• 項目：https://murcherful.github.io/P3-SAM
• 權重：https://huggingface.co/tencent/Hunyuan3D-Part
• 演示：https://huggingface.co/spaces/tencent/Hunyuan3D-Part

X-Part：高保真、結構一致的形狀分解

• 論文：https://arxiv.org/abs/2509.08643
• 代碼：https://github.com/Tencent-Hunyuan/Hunyuan3D-Part/tree/main/XPart
• 項目：https://yanxinhao.github.io/Projects/X-Part
• 權重：https://huggingface.co/tencent/Hunyuan3D-Part
• 演示：https://huggingface.co/spaces/tencent/Hunyuan3D-Part

P3-SAM介紹

將 3D 資產分割成其組成部分對于增強 3D 理解、促進模型復用以及支持零件生成等各種應用至關重要。然而，當前方法面臨諸多限制，例如在處理復雜物體時魯棒性較差，且無法完全自動化該過程。本文提出了一種原生的 3D 點可提示零件分割模型 P3-SAM，旨在完全自動化地將任何 3D 物體分割成組件。受 SAM 的啟發，P3-SAM 由一個特征提取器、多個分割頭和一個 IoU 預測器組成，支持用戶進行交互式分割。我們還提出了一種算法，用于自動選擇和合并由模型預測的掩碼以進行零件實例分割。我們的模型基于一個新建的數據集進行訓練，該數據集包含近 370 萬個具有合理分割標簽的模型。對比結果表明，我們的方法在任何復雜物體上都能獲得精確的分割結果和強大的魯棒性，達到了最佳性能。我們的代碼即將發布。

方法概述

P3-SAM 的網絡架構： 輸入點云被送入特征提取器以獲得逐點特征。然后將特征、點提示和原始點云送入兩階段多掩模分割器，以獲得三個不同尺度的掩模。最后，利用 IoU 預測器評估掩模的質量，并選擇最佳掩模作為最終預測。

自動分割流程： FPS 采樣點提示，經過 P3-SAM 處理，獲取多個掩碼。之后，采用非極大值抑制 (NMS) 合并冗余掩碼。最后，將點級掩碼投影到網格面上，獲得零件分割結果。

實驗結果

表3展示了PartObj-Tiny-WT和PartNetE的比較結果。 由于水密數據和點云缺乏連通性信息，PartField的性能不如非水密數據。這再次證明了我們的方法能夠有效地學習物體的幾何特征。我們還對我們的方法和之前的方法進行了定性比較，如圖 4 所示。對各種數據集和任務的定量和定性比較，涉及非水密網格、水密網格和點云等不同數據形式，證明了我們方法的卓越有效性、穩健性和泛化能力，證實了其在各種條件下的卓越性能。

X-Part介紹

在零件級別生成 3D 形狀對于網格重拓撲、UV 映射和 3D 打印等下游應用至關重要。然而，現有的基于零件的生成方法通常缺乏足夠的可控性，并且語義分解能力較差。為此，我們引入了 -Part，這是一個可控的生成模型，旨在將整體 3D 對象分解為語義上有意義且結構一致的高幾何保真度零件。-Part 利用邊界框作為零件生成的提示，并注入逐點語義特征以實現有意義的分解。此外，我們設計了一個可編輯的交互式零件生成流程。大量實驗結果表明，-Part 在零件級別形狀生成方面達到了最佳性能。這項工作為創建可用于生產、可編輯且結構合理的 3D 資產建立了新的范例。代碼將發布以供公眾研究。

方法概述

給定輸入點云，從 P3SAM 中提取每個點的特征和局部邊界框。通過將幾何標記與插值語義特征疊加，獲得全局條件和局部條件。它們被注入到多部分擴散過程中，以指導形狀分解。

應用

3D 零件非模態分割技術適用于多種下游應用，例如零件編輯、UV 展開等。

本文轉載自????AIGC Studio????，作者：AIGC Studio