PartSDF: Part-Based Implicit Neural Representation for Composite 3D Shape Parametrization and Optimization

要約

設計、最適化、シミュレーションなどのエンジニアリングアプリケーションでは、正確な3D形状表現が不可欠です。
実際には、オブジェクトは本質的に異なるコンポーネントのアセンブリとして設計されているため、エンジニアリングワークフローには構造化された部分的な表現が必要です。
ただし、ほとんどの既存の方法は、モデルを全体的に形作るか、事前定義された部分構造なしでそれらを分解し、実際の設計タスクでの適用性を制限します。
Sportdfを提案します。これは、形状の一貫性を維持しながら、独立した制御可能な部分で複合形状を明示的にモデル化する監視された暗黙的な表現フレームワークです。
シンプルなシングルデコーダーアーキテクチャにもかかわらず、PARTSDFは、再構築および生成タスクの監視されたベースラインと監視されていないベースラインの両方を上回ります。
さらに、エンジニアリングアプリケーションの事前に構造化された形状としての有効性を実証し、全体的な一貫性を維持しながら、個々のコンポーネントを正確に制御できるようにします。
https://github.com/cvlab-epfl/partsdfで利用可能なコード。

要約(オリジナル)

Accurate 3D shape representation is essential in engineering applications such as design, optimization, and simulation. In practice, engineering workflows require structured, part-aware representations, as objects are inherently designed as assemblies of distinct components. However, most existing methods either model shapes holistically or decompose them without predefined part structures, limiting their applicability in real-world design tasks. We propose PartSDF, a supervised implicit representation framework that explicitly models composite shapes with independent, controllable parts while maintaining shape consistency. Despite its simple single-decoder architecture, PartSDF outperforms both supervised and unsupervised baselines in reconstruction and generation tasks. We further demonstrate its effectiveness as a structured shape prior for engineering applications, enabling precise control over individual components while preserving overall coherence. Code available at https://github.com/cvlab-epfl/PartSDF.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google