{"id":82500,"date":"2025-06-20T00:02:58","date_gmt":"2025-06-19T22:02:58","guid":{"rendered":"https:\/\/www.3dnatives.com\/es\/?p=82500"},"modified":"2025-06-19T11:04:19","modified_gmt":"2025-06-19T09:04:19","slug":"partcrafter-generador-mallas-3d-ia-200620252","status":"publish","type":"post","link":"https:\/\/www.3dnatives.com\/es\/partcrafter-generador-mallas-3d-ia-200620252\/","title":{"rendered":"PartCrafter, el generador de mallas 3D basado en inteligencia artificial"},"content":{"rendered":"

Parece que la inteligencia artificial<\/a> ha vuelto a demostrar su eficacia en el sector de la impresi\u00f3n 3D, concretamente en la fase de dise\u00f1o. Un equipo ha utilizado la IA para desarrollar un generador de modelos 3D capaz de sintetizar conjuntamente m\u00faltiples mallas 3D de diferentes geometr\u00edas a partir de una sola imagen RGB. Bautizada como PartCrafter, esta herramienta permitir\u00eda generar modelos muy complejos a partir de una ilustraci\u00f3n 2D. El potencial para la fabricaci\u00f3n aditiva es considerable, ya que, seg\u00fan el equipo, se podr\u00edan imprimir en 3D los diferentes componentes de un objeto sin necesidad de modelarlo.<\/p>\n

El dise\u00f1o de un modelo 3D es una etapa crucial en el flujo de trabajo de la fabricaci\u00f3n aditiva, es el punto de partida de cualquier proyecto. A menudo, est\u00e1 lleno de obst\u00e1culos y puede resultar muy laborioso. Hoy en d\u00eda existen numerosas alternativas, como la descarga de un archivo 3D en una plataforma espec\u00edfica<\/a>. Pero para muchos usuarios de la impresi\u00f3n 3D, saber modelar su propia pieza es esencial. Entonces, \u00bfc\u00f3mo ahorrar tiempo y ser m\u00e1s eficiente? \u00bfC\u00f3mo reducir el riesgo de errores? En este contexto, PartCrafter aporta respuestas, quiz\u00e1 a\u00fan parciales, pero es un buen comienzo.<\/p>\n

\"\"

Ejemplo de objeto procesado por la herramienta.<\/p><\/div>\n

\u00bfC\u00f3mo funciona PartCrafter?<\/h2>\n

PartCrafter es una plataforma de c\u00f3digo abierto creada por un equipo de la Universidad de Pek\u00edn, la Universidad Carnegie Mellon de Estados Unidos y ByteDance. El usuario comienza cargando una imagen 2D y la herramienta se encarga de descomponerla por segmentos en 3D. Se basa en una amplia base de datos para comprender la estructura misma de una imagen. La plataforma explica: \u201cSeleccionamos un conjunto de datos combinando varias fuentes, lo que nos permite obtener 130.000 objetos 3D, de los cuales 100.000 contienen varias piezas. A continuaci\u00f3n, refinamos este conjunto de datos filtr\u00e1ndolo en funci\u00f3n de la calidad de la textura, el n\u00famero de piezas y la intersecci\u00f3n media entre las piezas y la uni\u00f3n (IoU) para garantizar una supervisi\u00f3n de alta calidad. El conjunto de datos resultante incluye aproximadamente 50.000 objetos etiquetados y 300.000 piezas individuales\u201d<\/em>.<\/p>

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

PartCrafter es, por lo tanto, una herramienta evolutiva que aprende a medida que se le alimenta, al igual que la inteligencia artificial<\/a>. Es f\u00e1cil imaginar el impacto que esto podr\u00eda tener en las industrias que utilizan la fabricaci\u00f3n aditiva. \u00bfPor qu\u00e9 no reproducir una pieza compleja de un avi\u00f3n a partir de una foto? Se obtendr\u00edan las mallas 3D de sus componentes, que luego se podr\u00edan transformar en un archivo para impresi\u00f3n 3D.<\/p>\n