技术突破与核心创新 - 提出PartCrafter模型，开创结构化3D生成新理念，能够从单张2D图像直接生成由多个可独立操作部件构成的复杂3D网格模型 [2] - 模型核心采用组合式潜在空间设计，为每个部件分配独立潜在变量并引入可学习的部件身份嵌入，以强化对部件语义属性和独立身份的感知能力 [15] - 设计局部-全局联合去噪Transformer架构，通过局部分支确保单个部件的几何细节完整合理，通过全局分支协调所有部件的空间关系和整体布局一致性 [16][20] 性能优势与实验结果 - 在物体部件级生成任务上，PartCrafter仅需约34秒即可生成高保真、部件可拆分的3D网格，而对比模型HoloPart需18分钟且依赖耗时的后处理步骤 [23] - 在Objaverse数据集上，PartCrafter的倒角距离为0.1726，F-Score为0.7472，优于HoloPart的0.1916和0.6916 [24] - 在场景级生成任务中，PartCrafter在存在严重遮挡的场景下表现稳定，在3D-Front数据集上的倒角距离为0.1491，F-Score为0.8148，优于MIDI模型的0.1602和0.7931 [26] 数据集构建与行业应用 - 为解决数据瓶颈，团队自主构建了大规模高质量部件级3D数据集，包含约13万个三维对象，其中约10万个拥有精确的多部件标注，并精选出约5万个高质量标签对象，共计超过30万个独立三维部件 [19] - 该技术可直接生成可编辑部件，为游戏、虚拟现实、工业设计等领域快速生成可定制的3D资产提供了全新思路，极大提升了3D内容创作流程的实用性和工作效率 [32][34]