A majority of stock 3D models in modern shape repositories are assembled with many fine-grained components. The main cause of such data form is the component-wise modeling process widely practiced by human modelers. These modeling components thus inherently reflect some function-based shape decomposition the artist had in mind during modeling. On the other hand, modeling components represent an over-segmentation since a functional part is usually modeled as a multi-component assembly. Based on these observations, we advocate that labeled segmentation of stock 3D models should not overlook the modeling components and propose a learning solution to grouping and labeling of the fine-grained components. However, directly characterizing the shape of individual components for the purpose of labeling is unreliable, since they can be arbitrarily tiny and semantically meaningless. We propose to generate part hypotheses from the components based on a hierarchical grouping strategy, and perform labeling on those part groups instead of directly on the components. Part hypotheses are mid-level elements which are more probable to carry semantic information. A multiscale 3D convolutional neural network is trained to extract context-aware features for the hypotheses. To accomplish a labeled segmentation of the whole shape, we formulate higher-order conditional random fields (CRFs) to infer an optimal label assignment for all components. Extensive experiments demonstrate that our method achieves significantly robust labeling results on raw 3D models from public shape repositories. Our work also contributes the first benchmark for component-wise labeling.

中文翻译：

---

学习对细粒度形状组件进行分组和标记

现代形状存储库中的大多数库存 3D 模型都由许多细粒度的组件组装而成。这种数据形式的主要原因是人类建模者广泛采用的组件式建模过程。因此，这些建模组件内在地反映了艺术家在建模过程中所考虑的一些基于功能的形状分解。另一方面，建模组件代表过度分割，因为功能部件通常被建模为多组件装配。基于这些观察，我们主张股票 3D 模型的标记分割不应忽视建模组件，并提出了一种对细粒度组件进行分组和标记的学习解决方案。然而，为了标记的目的直接表征单个组件的形状是不可靠的，因为它们可以任意小而且在语义上毫无意义。我们建议基于分层分组策略从组件中生成部件假设，并对这些部件组而不是直接在组件上进行标记。部分假设是更可能携带语义信息的中级元素。训练多尺度 3D 卷积神经网络以提取假设的上下文感知特征。为了完成整个形状的标记分割，我们制定了高阶条件随机场（CRF）来推断所有组件的最佳标签分配。大量实验表明，我们的方法在来自公共形状存储库的原始 3D 模型上实现了显着稳健的标记结果。我们的工作还为组件标记的第一个基准做出了贡献。我们建议基于分层分组策略从组件生成零件假设，并对这些零件组进行标记，而不是直接在组件上进行标记。部分假设是更可能携带语义信息的中级元素。训练多尺度 3D 卷积神经网络以提取假设的上下文感知特征。为了完成整个形状的标记分割，我们制定了高阶条件随机场（CRF）来推断所有组件的最佳标签分配。大量实验表明，我们的方法在来自公共形状存储库的原始 3D 模型上实现了显着稳健的标记结果。我们的工作还为组件标记的第一个基准做出了贡献。我们建议基于分层分组策略从组件生成零件假设，并对这些零件组进行标记，而不是直接在组件上进行标记。部分假设是更可能携带语义信息的中级元素。训练多尺度 3D 卷积神经网络以提取假设的上下文感知特征。为了完成整个形状的标记分割，我们制定了高阶条件随机场（CRF）来推断所有组件的最佳标签分配。大量实验表明，我们的方法在来自公共形状存储库的原始 3D 模型上实现了显着稳健的标记结果。我们的工作还为组件标记的第一个基准做出了贡献。并在这些零件组上而不是直接在组件上进行标记。部分假设是更可能携带语义信息的中级元素。训练多尺度 3D 卷积神经网络以提取假设的上下文感知特征。为了完成整个形状的标记分割，我们制定了高阶条件随机场（CRF）来推断所有组件的最佳标签分配。大量实验表明，我们的方法在来自公共形状存储库的原始 3D 模型上实现了显着稳健的标记结果。我们的工作还为组件标记的第一个基准做出了贡献。并在这些零件组上而不是直接在组件上进行标记。部分假设是更可能携带语义信息的中级元素。训练多尺度 3D 卷积神经网络以提取假设的上下文感知特征。为了完成整个形状的标记分割，我们制定了高阶条件随机场（CRF）来推断所有组件的最佳标签分配。大量实验表明，我们的方法在来自公共形状存储库的原始 3D 模型上实现了显着稳健的标记结果。我们的工作还为组件标记的第一个基准做出了贡献。训练多尺度 3D 卷积神经网络以提取假设的上下文感知特征。为了完成整个形状的标记分割，我们制定了高阶条件随机场（CRF）来推断所有组件的最佳标签分配。大量实验表明，我们的方法在来自公共形状存储库的原始 3D 模型上实现了显着稳健的标记结果。我们的工作还为组件标记的第一个基准做出了贡献。训练多尺度 3D 卷积神经网络以提取假设的上下文感知特征。为了完成整个形状的标记分割，我们制定了高阶条件随机场（CRF）来推断所有组件的最佳标签分配。大量实验表明，我们的方法在来自公共形状存储库的原始 3D 模型上实现了显着稳健的标记结果。我们的工作还为组件标记的第一个基准做出了贡献。大量实验表明，我们的方法在来自公共形状存储库的原始 3D 模型上实现了显着稳健的标记结果。我们的工作还为组件标记的第一个基准做出了贡献。大量实验表明，我们的方法在来自公共形状存储库的原始 3D 模型上实现了显着稳健的标记结果。我们的工作还为组件标记的第一个基准做出了贡献。