基于自适应间隔对抗学习的模糊点云分割
计算机视觉与模式识别
2025-07-10 v1
摘要
本文提出一种用于 3D 点云语义分割的自适应间隔对抗学习方法。大多数现有方法使用均等惩罚的目标，忽略了由过渡区域引起的点级模糊性和特征不够判别性的问题。然而，高度模糊的点即使对人类也难以区分，其手动标注标签可能不可靠，对这些点施加硬约束会导致次优模型。为此，我们首先设计了 AMContrast3D，一种将对抗学习融入模糊性估计框架的方法，针对不同模糊性水平的点设计自适应目标。结果，该方法在模型训练中确保低模糊点的正确性，同时允许高模糊点的错误。由于模糊性基于标签间位置差异度量，推理期间的优化受限于所有无标签点均匀无模糊性的假设，缺乏模糊性感知。以联合训练的思想为启发，我们进一步提出 AMContrast3D++，集成两个平行训练的分支，其中包含 novel ambiguity prediction 模块，同时从生成的嵌入中学习点级模糊性。为此，我们设计了掩码细化机制，利用预测的模糊性使模糊嵌入更可靠，从而提升分割性能并增强鲁棒性。在 3D 室内场景数据集 S3DIS 和 ScanNet 上的实验结果表明，所提方法有效。代码已公开于 https://github.com/YangChenApril/AMContrast3D。
引用
@article{arxiv.2507.06592,
title = {Ambiguity-aware Point Cloud Segmentation by Adaptive Margin Contrastive Learning},
author = {Yang Chen and Yueqi Duan and Haowen Sun and Jiwen Lu and Yap-Peng Tan},
journal= {arXiv preprint arXiv:2507.06592},
year = {2025}
}
备注
This article has been accepted for publication in IEEE Transactions on Multimedia. arXiv admin note: text overlap with arXiv:2502.04111