基于类别感知与几何引导的 3D 弱监督语义分割中的伪标签细化
计算机视觉与模式识别
2025-10-22 v1 人工智能
摘要
3D 弱监督语义分割(3D WSSS)旨在通过利用稀疏或低成本标注数据来实现语义分割，显著减少对稠密点标注的依赖。以往工作主要采用类别激活图或预训练的视觉语言模型来应对这一挑战。然而，伪标签质量低以及对 3D 几何先验的充分利用共同制造了开发高性能 3D WSSS 模型的显著技术瓶颈。本文提出一种简单而有效的 3D 弱监督语义分割方法，将 3D 几何先验整合到类别感知引导机制中，以生成高保真伪标签。具体而言，我们设计的方法首先采用类别感知标签细化模块生成更均衡、更准确的语义类别伪标签。此初始细化阶段专注于通过类别特定优化来增强标签质量。随后，开发了几何感知标签细化组件，通过战略性地整合隐式 3D 几何约束来有效过滤不符合几何合理性的低置信度伪标签。此外，为解决大量未标注区域的挑战，我们提出了标签更新策略，集成自训练技术将标签传播到这些区域。该迭代过程不断提升伪标签质量，同时扩展标签覆盖范围，从而促进高性能 3D WSSS 模型的发展。全面实验验证表明，我们提出的方法在 ScanNet 和 S3DIS 基准上实现了拜占康性能，同时在无监督设置中显示出显著的泛化能力，凭借其稳健的设计保持竞争的准确性。
关键词
引用
@article{arxiv.2510.17875,
title = {3D Weakly Supervised Semantic Segmentation via Class-Aware and Geometry-Guided Pseudo-Label Refinement},
author = {Xiaoxu Xu and Xuexun Liu and Jinlong Li and Yitian Yuan and Qiudan Zhang and Lin Ma and Nicu Sebe and Xu Wang},
journal= {arXiv preprint arXiv:2510.17875},
year = {2025}
}