3D形状をコンパクトな幾何プリミティブの集合として表現することは、ロボティクス、シミュレーション、シーン理解の基礎です。近年、大規模に訓練された生成画像モデルは、汎用的な視覚学習器として登場し、画像領域内で物体のパーツを直接識別・分割できるようになりました。しかし、これらのモデルを下流タスクに適用するには通常ファインチューニングが必要です。本研究では、事前訓練された能力を訓練なしで直接活用できるかどうかを問い、肯定的な回答を示しています。
提案パイプラインは、3Dオブジェクトのマルチビュー画像をレンダリングし、視覚言語モデルで意味的パーツを分析し、生成画像モデルにカラーコード化されたパーツセグメンテーションマスクを描画させ、それを幾何に再投影し、各パーツに超二次曲面プリミティブをパラメータ最適化によりフィッティングします。このアプローチには学習パラメータがなく、カテゴリ非依存かつ方向不変であり、従来の学習ベースのモデルでは困難だった特性を備えています。
HumanPrimおよびToys4Kデータセットでの評価では、全手法中最小のChamfer距離を達成し、オブジェクトあたり平均5～9個のプリミティブを使用しました。正解セグメンテーションデータを用いた研究により、精度のボトルネックはパーツセグメンテーションであり、プリミティブフィッティングではないことが確認されました。これは、将来の生成モデルの改善が直接的に精度向上につながることを意味します。
さらに、この手法は特定のカテゴリや方向に依存しないため、実際の応用において幅広い適用が可能です。例えば、ロボットの把持計画では抽象化された形状表現を物体構造の理解に利用でき、シミュレーション環境では簡略化された正確な衝突モデルを迅速に生成できます。研究者は、現在のセグメンテーション品質が限られているため、生成モデルが画像セグメンテーションで進歩すれば、アルゴリズムの中核を変更することなく直接恩恵を受けると指摘しています。
全体として、この研究は既存の事前学習済み視覚モデルの強力な能力を巧みに活用し、面倒なファインチューニングを回避することで、3D形状抽象化のための効率的で柔軟なソリューションを提供しています。将来的に、視覚言語モデルや生成画像モデルがさらに発展するにつれ、このような学習不要の手法が多くの下流タスクで役立つことが期待されます。