拓竹3D生成大模型研究新突破，精准分割3D模型部件

发布时间：2026-08-12来源：南极熊3D打印

2026年8月12日，南极熊获悉，计算机图形学顶会SIGGRAPH 2026正式公布了Journal Track论文名单。一篇题为《SegviGen: Repurposing 3D Generative Model for Part Segmentation》的研究论文引发行业关注。论文作者名单中，除了北京航空航天大学、中国人民大学、清华大学等高校外，消费级3D打印头部品牌Bambu Lab拓竹科技赫然在列。这是拓竹科技首次对外披露其在3D生成大模型领域的研究进展。

代码：https://github.com/Nelipot-Lee/SegviGen
网页：https://fenghora.github.io/SegviGen-Page/
演示：https://huggingface.co/spaces/fenghora/SegviGen
论文原文：https://arxiv.org/pdf/2603.16869

SegviGen的核心突破在于：将3D部件分割转化为“部件级上色”问题，让AI能够自动将复杂3D模型拆分为具有结构意义的不同部件。实验数据显示，该方法在交互式部件分割上较此前最优方法提升40%，在全分割上提升15%，而仅使用了0.32%的标注训练数据。对于3D打印行业而言，这一技术一旦落地，模型自动拆件、智能上色、多色打印的“全自动闭环”或将迎来真正的颠覆时刻。

一、部件分割的“路线之争”：2D升维的困境

要理解SegviGen的价值，先要理解部件分割在3D内容生产中的位置。部件分割提供了3D资产的显式部件级结构，是3D内容创作流程的核心基础，可支持部件级编辑、动画绑定以及3D打印等工业用途。

然而，现有方法普遍存在局限。此前行业主流路径大多围绕 “2D升维3D” 展开——先生成物体的多视角图像，再建模成3D资产。这一模式存在不可逆的信息丢失，生成的模型难以真正应用于工业设计、3D打印等对精度要求较高的领域。

具体到部件分割，一条路线是通过2D到3D的蒸馏将2D分割先验迁移到3D，但计算和时间开销巨大，且往往产生模糊边界；另一条路线则将分割模型应用于多视角投影图像以获得2D掩码，再反投影融合为3D掩码，但运行开销大、对视角覆盖敏感。简而言之，现有方法都存在一定局限——2D先验与3D结构之间的不匹配，以及依赖从头开始的昂贵训练。

二、SegviGen的思路：让雕塑家顺手“涂色”

SegviGen的创新在于，它没有从零训练分割模型，而是复用预训练3D生成模型中已经学习到的结构先验。

具体而言，模型将输入3D资产编码为潜在表示，并将部件分割转化为“部件级上色”问题——预测每个体素的部件指示性颜色，每种颜色对应一个独立部件。

一个通俗的比喻：传统方案像请两个工人——一个雕塑家负责捏泥人，一个解剖学家负责拆泥人。SegviGen的思路是：让雕塑家在捏泥人的时候，顺手用不同颜色的泥块捏不同部件，捏完一看，颜色已经标好了，不需要再请解剖学家。

关键设计：训练时，同一个模型要用十套随机配色反复涂。目的不是让模型记住“这个部件是红色”，而是让它学会“哪一堆该同色、哪一堆该异色”。如果省掉这一步，模型学会的就是认颜色而不是认结构，换个没见过的东西立刻没法用。

三、三种模式：从点选到全自动，覆盖全场景

SegviGen在一个统一架构中支持三种分割设置：

交互式部件分割：用户点击模型上的一个点，系统自动分割出对应部件；

全分割：自动将整个模型分割为所有独立部件；

2D分割图引导的全分割：用户提供2D分割图作为引导，支持任意部件粒度——这是SegviGen独有模式，对工业应用至关重要

从实验结果看，SegviGen在交互式部件分割上，关键指标IoU@1较此前最优方法P3-SAM提升40%；在全分割上，跨数据集平均后以15%的整体IoU优势超越最佳基线。更关键的是，这一表现仅使用了0.32%的标注训练数据。

四、开源与落地：MIT协议，可无缝衔接切片软件

SegviGen已全面开源。论文编号为arXiv:2603.16869，代码与模型权重已在GitHub公开，采用MIT协议，允许自由使用和修改。项目主页为：https://fenghora.github.io/SegviGen-Page/。

代码仓库显示，该算法已集成至TRELLIS.2等3D生成管线，可自动分解静态GLB/glTF网格，预测部件标签并分离物理部件。这意味着，从模型生成到智能拆件再到打印准备，AI 3D内容到实体制造的链路正在被打通。

行业报道指出，SegviGen支持点选单件、全自动分割、2D贴图驱动三种模式，边界精准且兼容AI生成模型，代码权重已公开，可无缝衔接切片软件。

五、产业意义：3D打印“全自动闭环”正在成为可能

对于3D打印行业而言，SegviGen所代表的方向意义深远。

从应用场景看，该技术未来可用于3D模型编辑、模型自动拆件、多色及多材料打印等智能化工具。用户可以更方便地选中模型中的某个部件进行上色或零件拆分。想象一下：AI生成一个复杂模型，自动拆分成多个部件，自动分配颜色和材料，一键导出可打印文件——这不再是科幻。

从竞争维度看，未来3D打印行业竞争不只在于打印速度、精度和稳定性，也在于谁能更好地帮助用户获得、编辑并制造3D内容。SegviGen所代表的方向，正是连接AI 3D内容生成与现实打印制造工作流的关键一步。

从拓竹科技的战略布局看，其出现在论文作者名单中释放出重要信号——技术布局可能正从打印硬件、切片软件和模型社区，进一步延伸到3D内容生成、结构理解和可制造模型处理等更底层环节。拓竹正在围绕硬件、软件、模型社区和AI创作工具构建更完整的3D打印生态。

南极熊观察

当前3D打印行业的AI化探索，大多集中在应用层工具接入和流程优化——接入第三方大模型、辅助模型搜索、提示词生成、切片参数推荐等。而SegviGen所代表的方向，已经深入AI 3D内容理解与生成模型的底层。它不是简单调用外部AI工具，而是研究如何利用3D生成模型内部的结构知识，完成对3D资产的部件级理解。

有趣的是，论文通篇没有提多色3D打印，谈的全都是零件分割、编辑、绑定等通用能力。但正是这些底层能力的突破，才是3D打印真正走向“智能制造”的关键——当AI能够理解模型的“骨骼”与“关节”，切片、上色、支撑生成等环节才有可能实现真正的自动化。

当论文成果从顶会走向产品——以拓竹过往将技术快速产品化的节奏来看，这一天或许不会太远。而SegviGen所代表的“原生3D”技术路线，正在为3D打印行业打开一个全新的想象空间：从“生成模型”到“理解模型”再到“制造模型”的全自动闭环。

转载说明：本文系转载内容，版权归原作者及原出处所有。转载目的在于传递更多行业信息，文章观点仅代表原作者本人，与本平台立场无关。若涉及作品版权问题，请原作者或相关权利人及时与本平台联系，我们将在第一时间核实后移除相关内容。