A principal competência do PartCrafter decorre, em parte, de seu grande conjunto de dados de treinamento, que abrange duas dimensões principais: no nível quantitativo, a escala de 130.000 objetos 3D excede em muito a de ferramentas comparáveis (por exemplo, a magnitude de 50.000 do ShapeNet); e no nível qualitativo, as 100.000 amostras com anotações de peças fornecem sinais supervisionados de granulação fina. O conjunto de dados abrange 20 categorias de produtos, como peças de máquinas, móveis, dispositivos eletrônicos etc., e cada modelo é decomposto em 7,3 partes semânticas, em média. Essa força dos dados se traduz diretamente em três propriedades práticas: a primeira é a capacidade de generalização para lidar com classes de objetos invisíveis; a segunda é a redução de detalhes, que gera com precisão estruturas de conexão padrão (por exemplo, encaixe e encaixe, roscas); e a terceira é a compreensão da cena, que dá suporte à especulação da estrutura completa a partir de imagens fortemente ocluídas. O projeto planeja liberar publicamente o acesso a esses recursos até julho de 2025.
Essa resposta foi extraída do artigoPartCrafter: geração de modelos de peças 3D editáveis a partir de uma única imagemO
