3D-CBM: A Framework for Concept-Based Interpretability in Generative 3D Modeling

В области генеративного 3D-моделирования существует проблема «семантического разрыва», когда глубокие нейронные сети создают объекты, но их внутренние процессы остаются непрозрачными. Это затрудняет применение таких систем в критически важных сферах, например, в производстве или здравоохранении, где требуется высокая степень доверия и возможность контроля. Исследование представляет фреймворк 3D-CBM, который интегрирует модели Concept Bottleneck Models (CBMs) в архитектуры генерации 3D-объектов. Цель — сделать процесс создания 3D-контента более интерпретируемым. Система преобразует исходные геометрические данные, такие как облака точек и полигональные сетки, в многоуровневую таксономию понятных человеку примитивов и функциональных атрибутов. Ключевая научная новизна заключается в возможности интерактивного исправления структурных ошибок в процессе генерации, что позволяет точно вмешиваться в работу модели на этапе тестирования. Эксперименты показали точность предсказания концептов на уровне 88.8%. Работа закладывает основу для семантически управляемой 3D-генерации и открывает перспективы для дальнейшего развития систем проектирования с участием человека. 🎓