13 mei 2025
Het abstraheren van vormen door middel van geometrische primitieven is fundamenteel voor menselijke visuele waarneming en speelt een belangrijke rol in computer vision en graphics. Hoewel moderne 3D-generatiemethoden zoals meshes, puntwolken en neurale velden zorgen voor gedetailleerde content, ontbreekt het vaak aan semantische interpretatie. Dit vormt een obstakel bij toepassingen zoals robotmanipulatie of scènedetectie.
Traditionele benaderingen om vormen te abstraheren zijn gebaseerd op optimalisatie of leren, waarvan de eerste vaak leidt tot semantisch overgesegmenteerde objecten, en de tweede beperkt blijft tot specifieke categorieën. Vroegere modellen gebruikten eenvoudige vormen als blokken en cilinders, later kwamen geavanceerdere vormen zoals superkwadrieken in beeld. Toch blijft het lastig om een model te bouwen dat zowel kognitief logisch is als generaliseerbaar over verschillende objecttypen.
Geïnspireerd door recente vooruitgang in 3D-generatie met behulp van grote datasets en transformer-gebaseerde modellen, herdefiniëren onderzoekers van Tencent AIPD en Tsinghua University vormabstractie als een generatief proces. Hun methode, PrimitiveAnything, genereert vormassemblages stap voor stap, op een manier die aansluit bij menselijk redeneergedrag. Hierdoor worden zowel semantische structuur als geometrische precisie beter vastgelegd.
PrimitiveAnything gebruikt een transformer die op puntwolk-extacties is gebaseerd. Via een discrete en dubbelzinnigheid-vrije parametrisatie worden typen, rotaties, posities en schalen van primitieven gerepresenteerd. Met behulp van een cascaderende decoder worden samenhangende attributen gegenereerd. De trainingsmethode integreert cross-entropy, Chamfer Distance en Gumbel-Softmax om reconstructie nauwkeurig en differentieerbaar te maken.
Voor het aanleren van menselijke abstractie introduceerden de onderzoekers de HumanPrim-dataset met 120.000 door mensen geannoteerde 3D-vormassemblages. De evaluatie toont aan dat PrimitiveAnything bijdraagt aan betere reconstructies en semantische segmentatie dan eerdere methoden. Ablatieonderzoek bevestigt het belang van elk component. Bovendien ondersteunt de aanpak contentcreatie vanuit tekst of beeld, met mogelijkheden voor bewerking en tot wel 95% opslagbesparing.
Samengevat biedt PrimitiveAnything een efficiënte manier om 3D-vormen te abstraheren en genereren. Het model leert van menselijke decompositiepatronen en levert kwalitatief hoogwaardig werk over een breed scala aan vormen. Dankzij de modulaire en lichte opzet is het bijzonder geschikt voor interactieve toepassingen zoals gamedesign, waar gebruiksgemak en prestaties essentieel zijn.
Geef een reactie