SuperDec: 3D Scene Decomposition with Superquadric Primitives
ETH Zurich（苏黎世联邦理工学院）；Stanford University（斯坦福大学）；Microsoft（微软公司）
SuperDec通过将场景分解为超二次体基元，实现紧凑的3D表示。该方法利用实例分割技术扩展到完整3D场景，并在ShapeNet和ScanNet++上验证了其泛化能力，适用于机器人任务和可控视觉内容生成。
2026-03-19 cs.CV
Differentiable Blocks World: Qualitative 3D Decomposition by Rendering Primitives
LIGM, Ecole des Ponts, Univ Gustave Eiffel（LIGM，巴黎高科桥梁学校，古斯塔夫·埃菲尔大学）；UC Berkeley（加州大学伯克利分校）
提出可微积木世界方法，通过可微渲染将图像分解为带纹理超二次曲面图元，实现可解释、可编辑的三维表示，并在DTU等数据集上验证了其有效性和鲁棒性。
2023-12-26 cs.CV
Convex Decomposition of Indoor Scenes
UIUC（伊利诺伊大学厄巴纳-香槟分校）
本文提出一种将杂乱室内 RGBD 场景分解为固定数量凸体基元的学习回归与几何精修方法，并证明其表示误差可媲美单目深度预测。
2023-08-16 cs.CV
Superquadric Primitive Decomposition of 3D point clouds via Geometric-Aware Inlier Refinement
University of Milano-Bicocca（米兰比可卡大学）；Politecnico di Milano（米兰理工大学）；University of Bonn（波恩大学）；Pegaso University（佩加索大学）
提出一种几何感知的基元分解框架，通过图割优化的内点精化步骤整合法线一致性等几何先验，提升超二次曲面分解的精度与鲁棒性，在合成和真实数据上优于基于RANSAC的方法。
2026-09-29 cs.CV
Historical Astronomical Diagrams Decomposition in Geometric Primitives
LIGM, Ecole des Ponts, Univ Gustave Eiffel, CNRS（LIGM、巴黎路桥学院、古斯塔夫·埃菲尔大学、法国国家科学研究中心）；SYRTE, Observatoire de Paris-PSL, CNRS（SYRTE、巴黎天文台-PSL、法国国家科学研究中心）
针对历史天文图表复杂多样、现有矢量化方法不适配的问题，提出包含303张图表、3000余个标注基元的数据集，并基于DINO-DETR构建可仅用合成数据训练的多几何基元预测模型，显著优于LETR基线。
2024-03-13 cs.CV
Intrinsic PAPR: Tackling Misattribution in 3D Intrinsic Decomposition via Proximity Attention Point Rendering
Simon Fraser University（西蒙菲莎大学）；Alberta Machine Intelligence Institute (Amii)（阿尔伯塔机器智能研究所）；Canadian Institute for Advanced Research (CIFAR)（加拿大高级研究院）
该研究针对3D内在分解中属性误分配问题，提出Intrinsic PAPR框架，通过邻近注意力点渲染实现逐点监督，在新视图合成和反照率估计上优于多种现有方法。
2026-08-26 cs.AI cs.CV cs.GR
Learning Unsupervised Hierarchical Part Decomposition of 3D Objects from a Single RGB Image
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；ETH Zürich（苏黎世联邦理工学院）；KU Leuven（鲁汶大学）；University of Tübingen（图宾根大学）
人类将3D世界视为一组不同的对象，其特征在于各种低级别（几何形状，反射率）和高级别（连接性，邻接性，对称性）属性。最近基于卷积神经网络（CNN）的方法在3D重建方面取得了令人印象深刻的进展，即使使用单个2D图像作为输入。然而，这些方法中的大多数集中于恢复对象的局部3D几何形状，而不考虑其基于部件的分解或部件之间的关系。我们解决这个具有挑战性的问题，提出了一种新的配方，允许共同恢复的几何形状的3D对象作为一组图元，以及他们的潜在的层次结构，而无需部分级别的监督。我们的模型恢复了更高层次的结构分解的各种对象的形式的二元树的原语，其中简单的部分表示与更少的原语和更复杂的部分建模与更多的组件。我们在ShapeNet和D-FAUST数据集上的实验表明，考虑零件的组织确实有助于对3D几何形状的推理。
2020-04-02 cs.CV
Unsupervised 3D Shape Reconstruction by Part Retrieval and Assembly
Brown University（布朗大学）；Adobe Research（奥多比研究院）
用一组基元表示3D形状可以帮助感知结构，改善机器人对象操作，并实现3D形状的编辑，样式化和压缩。现有的方法要么使用简单的参数化图元，要么学习零件的生成形状空间。两者都有局限性：参数基元导致粗略的近似，而学习部分对分解的控制太少。相反，我们建议使用用户提供的3D部件库来分解形状，从而完全控制部件的选择。该库可以包含具有适用于给定类别的高质量几何形状的零件，从而产生具有清晰几何形状的有意义的分解。分解的类型也可以通过选择库中的零件来控制。我们的方法通过一种自我监督的方法工作，该方法迭代地从库中检索零件并改进它们的位置。我们表明，这种方法提供了更高的重建精度和更理想的分解比现有的方法。此外，我们展示了如何通过使用不同的零件库来重建相同的形状，通过零件库来控制分解。
2023-03-03 cs.CV cs.GR
SuperFlex: Deformable Superquadrics for Point Cloud Decomposition
ETH Zurich（苏黎世联邦理工学院）；Stanford University（斯坦福大学）；IMPA（巴西国家纯数学与应用数学研究所）；USI Lugano（卢加诺大学）
提出SuperFlex框架，通过新损失函数、弯曲和锥形变形提升超二次曲面分解精度，并利用高质量分解训练模型以鲁棒处理部分点云。
2026-07-02 cs.CV
Organize Primitives into Semantic Parts: Reinforcement Reasoning for 3D Segmentation
Nanjing University（南京大学）；University of New South Wales（新南威尔士大学）；Australian National University（澳大利亚国立大学）；University of Technology Sydney（悉尼科技大学）
提出RePart，将图元到语义部件的组织建模为有限时域马尔可夫决策过程，通过轨迹级强化推理优化合并与停止策略，结合边界感知表面标记映射回网格，在PartNet和3DCoMPaT++上取得领先的分割性能。
2026-10-06 cs.CV
Hierarchical Superquadric Decomposition with Implicit Space Separation
Faculty of Computer and Information Science, UNI-LJ（卢布尔雅那大学计算机与信息科学学院）；Faculty of Electrical Engineering, UNI-LJ（卢布尔雅那大学电气工程学院）
本文介绍了一种利用一组体积基元重建三维物体的新方法，超二次曲面该方法分层分解成对超二次曲面恢复越来越精细的细节的目标3D对象。虽然这样的分层方法已经研究过了，我们引入了一种新的方法，只使用预测超二次曲面的属性来分割对象空间。该方法在ShapeNet数据集上进行训练和评估。我们的实验结果表明，合理的重建，可以得到与所提出的方法为一组不同的对象具有复杂的几何形状。
2022-09-15 cs.CV
Unsupervised Pose-Aware Part Decomposition for 3D Articulated Objects
The University of Tokyo（东京大学）；RIKEN AIP（理化学研究所先进智能项目中心）
铰接物体广泛存在于现实世界中。然而，以前的3D生成方法无监督的部分分解是不适合这样的对象，因为它们假设一个空间固定的部分位置，导致不一致的部分解析。在本文中，我们提出了PPD（无监督的姿势感知部分分解），以解决一个新的设置，明确针对人造关节与机械关节的对象，考虑部分构成。我们发现，类别共同的先验学习的部分形状和姿势促进无监督学习（1）部分分解与非基元为基础的隐式表示，和（2）部分构成下的单帧形状监督联合参数。我们评估我们的方法在合成和真实的数据集，我们表明，它优于以前的作品在一致的部分解析的铰接对象的基础上可比的部分姿态估计性能的监督基线。
2021-10-08 cs.CV
BiGS: Bidirectional Gaussian Primitives for Relightable 3D Gaussian Splatting
Tencent PCG（腾讯PCG）；ETH Zurich（苏黎世联邦理工学院）；George Mason University（乔治梅森大学）
提出双向高斯基元，通过将光本征分解集成至Gaussian splatting框架，采用双向球谐函数统一表面与体积材质散射表示，实现无需法线的3D对象实时重光照。
2024-08-23 cs.CV cs.GR
MLP Splatting: Object-Centric Neural Fields
Department of Computing, Imperial College London（帝国理工学院伦敦分校计算机系）
提出MLP-Splatting方法，通过少量紧凑MLP原语实现场景分解和新视角合成，支持对象级编辑且内存和渲染效率优于现有方法。
2026-10-14 cs.CV
Ubic: Bridging the gap between digital cryptography and the physical world
Saarland University（萨尔兰大学）；Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）
计算技术的进步越来越模糊了数字领域和物理世界之间的界限。虽然研究界已经开发了大量的密码原语，并证明了它们在全数字通信中的可用性，但由于可用性方面的原因，其中许多尚未进入现实世界。我们的目标是朝着将数字密码学更紧密地集成到现实世界的互动中迈出新的一步。我们描述Ubic，一个框架，允许用户弥合数字加密和物理世界之间的差距。Ubic依靠盔装显示器（如谷歌眼镜）、资源友好型计算机视觉技术以及数学上合理的密码原语，为用户提供更好的安全性和隐私保障。该框架涵盖了关键的密码原语，如安全识别，使用一种新的安全物理文档格式的文档验证，以及内容隐藏。为了做出实用价值的贡献，我们专注于使Ubic尽可能简单，易于部署和用户友好。
2014-07-24 cs.CR cs.CV
