开放世界中的三维室内实例分割

现有三维实例分割方法通常假设训练时可获得所有待分割语义类别，且推理时仅分割已见类别。我们认为这种封闭世界假设具有局限性，并首次探索开放世界设定下的三维室内实例分割，其中模型可区分一组已知类别、将未知物体识别为未知，并在相应类别标签可用时后续增量学习该未知物体的语义类别。为此，我们引入一种开放世界三维室内实例分割方法，采用自动标注方案在训练时生成伪标签并诱导已知与未知类别标签的分离。我们进一步通过在推理时基于目标性得分分布调整未知类概率来提升伪标签质量。我们还利用基于固有物体分布、基于区域的室内场景探索和开放世界类别随机性方面的真实场景，引入了精心构建的开放世界划分。大量实验揭示了所提贡献的有效性，带来了可观的开放世界三维实例分割性能。