BelHouse3D：用于评估三维点云语义分割遮挡鲁棒性的基准数据集

大规模二维数据集在推动机器学习发展方面发挥了重要作用；然而，三维视觉任务的进展相对缓慢。这种差异在很大程度上是由于三维基准数据集的可用性有限。特别是，为室内场景语义分割创建真实世界点云数据集面临相当大的挑战，包括在狭小空间内收集数据，以及为了生成真值而进行成本高昂且往往不准确的逐点标注过程。虽然合成数据集解决了一些挑战，但它们往往无法复制真实世界的条件，特别是从真实环境中收集的点云中出现的遮挡。现有的三维基准数据集通常在训练和测试数据独立同分布（IID）的假设下评估深度学习模型，这影响了模型在真实世界点云分割中的可用性。为了应对这些挑战，我们引入了 BelHouse3D 数据集，这是一个为三维室内场景语义分割设计的新型合成点云数据集。该数据集是使用来自比利时 32 套房屋的真实世界参考构建的，确保合成数据与真实世界条件紧密对齐。此外，我们包含了一个带有数据遮挡的测试集，以模拟分布外（OOD）场景，反映真实世界点云中常遇到的遮挡。我们使用我们的 OOD 设置评估了流行的基于点的语义分割方法，并提供了一个基准。我们相信 BelHouse3D 及其 OOD 设置将推动室内场景三维点云语义分割的研究，为开发更具泛化能力的模型提供有价值的见解。