CutS3D：在3D中切割语义以实现2D无监督实例分割
计算机视觉与模式识别
2025-07-25 v3
摘要
传统上，学习在2D图像中对物体实例进行分割的算法高度依赖大量的人工标注数据。近期仅仅，一些新方法涌现出来，旨在以无监督方式解决这一问题。一般而言，这些方法首先生成伪掩码，然后训练一个类无关的检测器。尽管此类方法交付了当前最先进的成果，但往往无法正确分离在2D图像空间中重叠的实例，因为仅考虑语义信息。为此，我们提出一种在3D中切割语义掩码以获得最终2D实例的方法，利用场景的点云表示。此外，我们推导出一种空间重要性函数，用于沿3D实例边界加强语义锐化。尽管如此，这些伪掩码仍可能存在掩码歧义。为解决这一问题，我们进一步提出，用三种空间置信度组件来增强类无关检测器的训练，以实现干净的学习信号。通过这些贡献，我们的方法在多个标准基准上实现了对抗性方法的优势，涵盖无监督实例分割和目标检测。
引用
@article{arxiv.2411.16319,
title = {CutS3D: Cutting Semantics in 3D for 2D Unsupervised Instance Segmentation},
author = {Leon Sick and Dominik Engel and Sebastian Hartwig and Pedro Hermosilla and Timo Ropinski},
journal= {arXiv preprint arXiv:2411.16319},
year = {2025}
}
备注
Accepted at ICCV 2025. Project Page with Code, Models & Demo: https://leonsick.github.io/cuts3d/