论文页面 - Kaininja：将原生3D生成器扩展至部件层级

来源：https://huggingface.co/papers/2609.15659 作者： , , , , , , , , , ,

摘要

KaiNinja通过采用双体积表示来解决接口冲突问题，将原生3D生成器扩展至部件层级输出，从而在无需分割的前提下，同时提升了部件与整体模型的保真度。

原生3D生成器（https://huggingface.co/papers?q=Native%203D%20generator）能将单张图像转换为单一网格模型。TRELLIS.2（https://huggingface.co/papers?q=TRELLIS.2）及其同类方法能生成带有材质的高保真度非封闭几何体，但输出结果是一个融合后的整体对象，而下游应用如编辑、绑定和模拟通常需要处理部件级资产。一个朴素的想法是运行一个3D分割网络对TRELLIS.2（https://huggingface.co/papers?q=TRELLIS.2）生成的融合网格进行分割，但这类流程速度较慢，且受限于分割精度。我们希望找到一种简便的方法，将现有的原生3D生成器（https://huggingface.co/papers?q=native%203D%20generator）扩展至部件层级。然而我们面临一个关键问题：O-Voxel（https://huggingface.co/papers?q=O-Voxel）网格在每个体素中只存储一层表面，因此单个体积无法在任何分辨率下表示两个部件接触的接口。为此，我们引入双体积表示（https://huggingface.co/papers?q=dual-volume%20representation）来解决此问题，并提出了KaiNinja——一个基于TRELLIS.2（https://huggingface.co/papers?q=TRELLIS.2）的双体积O-Voxel表示形式构建的部件级扩展。KaiNinja在保持TRELLIS.2生成速度与质量的同时，将其扩展至部件层级，且流程中无需掩码或分割器。其训练数据来源于多种渠道，包括CAD模型和由LLM驱动智能体创作的资产；据我们所知，这是首个基于智能体创作部件数据进行训练的3D生成模型。值得注意的是，我们还发现，在使用相同数据集对同一骨干网络进行微调时，整体模型的保真度也有所提升。与不同范式的部件生成流程相比，它将整体模型的Chamfer距离（https://huggingface.co/papers?q=Chamfer%20distance）降低了40%，并把严格的部件F-score（https://huggingface.co/papers?q=part%20F-score）提升了16%。

查看arXiv页面 (https://arxiv.org/abs/2609.15659) 查看PDF (https://arxiv.org/pdf/2609.15659) 项目页面 (https://alaya-lab.github.io/KaiNinja/) GitHub8 (https://github.com/AlayaLab/KaiNinja) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2609.15659)

在您的智能体中获取此论文： hf papers read 2609\.15659 尚未安装最新CLI？请运行 curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型0

暂无模型链接本文 在模型README.md中引用 arxiv.org/abs/2609.15659 即可从本页面链接。

引用本文的数据集0

暂无数据集链接本文 在数据集README.md中引用 arxiv.org/abs/2609.15659 即可从本页面链接。

引用本文的Spaces0

暂无Space链接本文 在Space README.md中引用 arxiv.org/abs/2609.15659 即可从本页面链接。

包含本文的收藏集0

暂无收藏集包含本文 将本文添加到收藏集 (https://huggingface.co/new-collection) 即可从本页面链接。