{"id":63684,"date":"2025-06-23T00:01:15","date_gmt":"2025-06-22T22:01:15","guid":{"rendered":"https:\/\/www.3dnatives.com\/de\/?p=63684"},"modified":"2025-06-19T14:41:29","modified_gmt":"2025-06-19T12:41:29","slug":"partcrafter-3d-netzgenerator-kuenstliche-intelligenz-230620251","status":"publish","type":"post","link":"https:\/\/www.3dnatives.com\/de\/partcrafter-3d-netzgenerator-kuenstliche-intelligenz-230620251\/","title":{"rendered":"PartCrafter, ein 3D-Netzgenerator basierend auf K\u00fcnstlicher Intelligenz"},"content":{"rendered":"

Es sieht so aus, als h\u00e4tte sich die K\u00fcnstliche Intelligenz im 3D-Druck<\/a> und insbesondere in der Entwurfsphase bew\u00e4hrt. Ein Team hat mithilfe von KI einen 3D-Modellgenerator entwickelt, der aus einem einzigen RGB-Bild mehrere 3D-Netze mit unterschiedlichen Geometrien zusammensetzen kann. Das Tool namens PartCrafter erm\u00f6glicht es also, aus einer 2D-Abbildung hochkomplexe Modelle zu generieren. Das Potential f\u00fcr die additive Fertigung ist enorm, denn wenn es nach dem Team geht, k\u00f6nnte man die verschiedenen Komponenten eines Objekts in 3D drucken, ohne es zu modellieren.<\/p>\n

Ein 3D-Modell zu entwerfen ist ein entscheidender Schritt im Arbeitsablauf der additiven Fertigung, es ist der Ausgangspunkt eines jeden Projekts. Und oft ist dieser voller Hindernisse und kann sich als sehr zeitaufwendig erweisen. Heutzutage gibt es viele Alternativen – wie das Herunterladen einer 3D-Datei auf eine spezielle Plattform<\/a>. F\u00fcr viele Nutzer des 3D-Drucks ist es jedoch unerl\u00e4sslich zu wissen, wie man sein eigenes Teil modelliert. Wie kann man also Zeit sparen und effizienter arbeiten? Wie kann man das Risiko von Fehlern verringern? Es scheint, als w\u00fcrde PartCrafter Antworten liefern – vielleicht noch nicht vollst\u00e4ndig, aber immerhin ein guter Anfang.<\/p>\n

\"\"

Beispiel f\u00fcr ein vom Tool bearbeitetes Objekt<\/p><\/div>\n

Wie funktioniert PartCrafter?<\/h2>\n

PartCrafter ist eine Open-Source-Plattform, die von einem Team der Universit\u00e4t Peking, der Carnegie Mellon University in den USA und von ByteDance entwickelt wurde. Der Nutzer l\u00e4dt zun\u00e4chst ein 2D-Bild hoch und das Tool \u00fcbernimmt dann die Aufgabe, es segmentweise in 3D zu dekonstruieren. Es st\u00fctzt sich dabei auf eine sehr umfangreiche Datenbank, um die eigentliche Struktur eines Bildes zu verstehen. Die Plattform erkl\u00e4rt: „Wir w\u00e4hlen einen Datensatz aus, indem wir mehrere Quellen kombinieren, wodurch wir 130.000 3D-Objekte erhalten, von denen 100.000 mehrere Teile enthalten. Anschlie\u00dfend verfeinern wir diesen Datensatz, indem wir ihn auf der Grundlage der Texturqualit\u00e4t, der Anzahl der Teile und des durchschnittlichen Schnittpunkts zwischen den Teilen und der Vereinigung (IoU) filtern, um eine qualitativ hochwertige Supervision zu gew\u00e4hrleisten. Der resultierende Datensatz umfasst etwa 50.000 beschriftete Objekte und 300.000 einzelne Teile.<\/em>„<\/p>

\"\"<\/a><\/div>\n

PartCrafter ist also ein evolution\u00e4res Werkzeug, das lernt, wenn es gef\u00fcttert wird, \u00e4hnlich wie K\u00fcnstliche Intelligenz. Man kann sich leicht vorstellen, welche Auswirkungen dies auf Branchen haben k\u00f6nnte, die additive Fertigungsverfahren verwenden. Warum sollte man nicht ein komplexes Teil eines Flugzeugs anhand eines Fotos nachbauen? Man w\u00fcrde die 3D-Netzwerke seiner Komponenten erhalten, die man dann in eine 3D-druckbare Datei umwandeln k\u00f6nnte.<\/p>\n