370万数据{打造}3D部件分割「全能王」| P³-SAM问世：任意复杂物体，一键“分崩离析”!

打造一个有温度、有趣味、专业的全栈式AI&AIGC交流社区，

用心写好每一篇文章！

代码链接-近期开源

论文链接-https://arxiv.org/pdf/2509.06784

为什么需要这个算法？--将3D资产分割成3D部件对于增强3D理解、促进模型重用和支持各种应用程序（如零件生成）至关重要。然而，当前的方法面临着一些局限性，例如在处理复杂对象时鲁棒性较差，并且无法完全自动化该过程。

这个算法能做什么？--腾讯混元团队发布了一种原生3D点提示零件分割模型P³-SAM，它可以为任何对象生成精确的零件分割结果。

这个算法效果如何？--大量的实验结果表明：该方法在任何复杂3D对象上都能实现精确的分割，而且具有很强的鲁棒性，达到了最先进的性能！

01-P³-SAM核心优势

本文提出了一种原生3D点提示零件分割模型P³-SAM，它旨在将任何3D对象自动分割成完成的3D组件。受到SAM的启发，P³-SAM由一个特征提取器、多个分割头和一个IoU预测器组成，为用户提供交互式分割。

除此之外，作者提出了一种用于自动选择和合并由模型预测的掩模方法，用来完成零件实例分割。

该模型是在一个新构建的数据集上训练的，该数据集包含近370万个具有合理分割标签的模型。

02-P³-SAM变现场景

02.01-多提示/全自动部件分割

03-P³-SAM整体流程

上图展示了全自动分割的整体流程。详细的步骤如下所述：

首先，对输入的3D点云执行“点采样”操作；

然后，将点采样结果转换为类似SAM的“点提示采样”；

接着，利用P3-SAM获得多个掩码结果；

接着，采用NMS合并来剔除冗余掩码；

最后，将点级掩模投影到网格面上，从而获得零部件分割结果。

04-P³-SAM性能评估

04.01-主观效果评估

上图展示了该方法与多个SOTA的全自动部件分割方法在PartObj-Tiny基准上面的主观效果。通过观察与分析，我们可以发现：该方法输出的3D部件分割结果远优于其它基线方法，尤其是在一些小目标和部分区域上面。

上图分别展示了该方法与多个SOTA的全自动3D部分分割和交互式3D部件分割方法分别在PartObj-Tiny-WT和PartObj-Tiny基准上面的主观效果。通过观察与分析，我们可以发现：该方法输出的结果无限逼近于GT结果。

04.02-客观指标评估

上表展示了该方法与几个SOTA的3D部件分割方法进行了详细的比较，包括训练数据的数量和类型、参数的数量、完整和交互式分割的时间成本，以及自动分割对象的能力。通过观察与分析，我们可以发现：该方法需要的推理时间更短、模型参数居中、支持在原生的3D点云上面操作。

上表展示了该方法与多个SOTA的3D部件分割方法在PartObjectarverseTiny上面的客观指标评估结果。前两个块分别表示没有连接和有连接的类无关零件分割，最后一个块表示交互式分割。通过观察与分析，我们可以发现：该方法在不同类型的目标上面的分割指标远优于其它方法，平均精度有了大幅提升。

关注我，AI热点早知道，AI算法早精通，AI产品早上线！

禁止私自转载，需要转载请先征求我的同意！

欢迎你的加入，让我们一起交流、讨论与成长！

若二维码失效：关注公众号--》交流分享--》联系我们

资讯配图