EvObj：用于无场景监督的3D实例分割的演化对象中心表示
计算机视觉与模式识别
2026-05-14 v1 人工智能
机器学习
机器人学
摘要
我们引入EvObj用于无监督的3D实例分割，将合成预训练数据与真实点云之间的几何领域差距。当前方法在将对象先验从合成数据集(如ShapeNet)迁移到真实扫描(如ScanNet)时会 suffer from structural discrepancies，特别是由于形态变异和遮挡伪影。为此，EvObj集成了两个创新模块：(1)一个对象辨别模块，动态细化对象候选， enable continuous adaptation of object priors to target domains；(2)一个对象完成模块，在发现对象后重建部分几何。我们在真实数据集和合成数据集上进行了广泛实验，展示了在所有基线之上实现了优异的3D对象分割性能，同时取得了最先进的结果。
引用
@article{arxiv.2605.13152,
title = {EvObj: Learning Evolving Object-centric Representations for 3D Instance Segmentation without Scene Supervision},
author = {Jiahao Chen and Zihui Zhang and Yafei Yang and Jinxi Li and Shenxing Wei and Zhixuan Sun and Bo Yang},
journal= {arXiv preprint arXiv:2605.13152},
year = {2026}
}
备注
CVPR 2026. Code and data are available at: https://github.com/vLAR-group/EvObj