面向细粒度和层次化 3D 零件理解的 PartNeXt 数据集
计算机视觉与模式识别
2026-04-01 v3
摘要
在计算机视觉、图形学和机器人领域，理解对象在其组成零件层面的意义至关重要。虽然像PartNet这类数据集推动了 3D 零件理解的进展，但其依赖于无纹理几何图形和专家依赖标注，限制了可扩展性和可用性。我们引入PartNeXt，一种下一代数据集，旨在弥合这些差距，包含超过 23,000 个高质量带纹理的 3D 模型，标注有横跨 50 个类别的细粒度、层次化零件标签。我们在PartNeXt上对两种任务进行基准测试：1）类无关零件分割，其中state-of-the-art方法（如PartField、SAMPart3D）在细粒度和叶级别零件方面表现不佳；2）3D 零件导向问答，这是一种新的 3D-LLM基准，揭示了开放词汇零件定位存在的显著差距。此外，在PartNeXt上训练Point-SAM可显著优于PartNet，凸显了该数据集在质量和多样性方面的优势。通过可扩展标注、纹理感知标签和多任务评估，PartNeXt为结构化 3D 理解的研究开辔了新的研究方向。
引用
@article{arxiv.2510.20155,
title = {PartNeXt: A Next-Generation Dataset for Fine-Grained and Hierarchical 3D Part Understanding},
author = {Penghao Wang and Yiyang He and Xin Lv and Yukai Zhou and Lan Xu and Jingyi Yu and Jiayuan Gu},
journal= {arXiv preprint arXiv:2510.20155},
year = {2026}
}
备注
NeurIPS 2025 DB Track. Project page: https://authoritywang.github.io/partnext