用于半监督 3D 分割的贝叶斯自训练

3D 分割是计算机视觉中的核心问题，与许多其他密集预测任务类似，它需要大量标注数据才能进行充分训练。然而，对 3D 点云进行密集标注以采用全监督训练仍然过于耗时且昂贵。半监督训练提供了一种更实用的替代方案，其中仅提供少量标注数据，并伴随大量未标注数据。因此，该领域研究如何有效利用未标注数据，以减少因缺乏标注而产生的性能差距。在本工作中，受贝叶斯深度学习启发，我们首先提出了一个用于半监督 3D 语义分割的贝叶斯自训练框架。采用随机推断，我们生成一组初始伪标签，然后基于估计的逐点不确定性对这些标签进行过滤。通过构建启发式 $n$-部匹配算法，我们将该方法扩展到半监督 3D 实例分割，最后使用相同的构建模块扩展到密集 3D 视觉定位。我们在 SemanticKITTI 和 ScribbleKITTI 上的 3D 语义分割任务，以及 ScanNet 和 S3DIS 上的 3D 实例分割任务中展示了我们半监督方法的最先进结果。在 ScanRefer 上，我们的密集 3D 视觉定位相比仅监督的基线取得了显著改进。我们的项目页面位于 ouenal.github.io/bst/。