从稀缺到丰富：基于扩散学习的点云少样本语义分割原型扩充网络
计算机视觉与模式识别
2025-09-17 v1
摘要
少样本3D点云语义分割旨在使用最小数量的标注支持样本对新类别进行分割。虽然已有的基于原型的方法显示出前景，但受到两个关键挑战的限制：(1) 类内多样性，即原型的有限表示容量无法覆盖类别的全部变异；(2) 集间不一致性，即从支持集导出的原型与查询特征空间错位。以扩散模型强大的生成能力为灵感，我们将其预训练的条件编码器重新定位，以提供一种新来源的可泛化特征，用于扩充原型的表示范围。在此设置下，我们引入原型扩充网络(PENet)，一个构建大容量原型的框架，来自两种互补特征来源。PENet采用双流学习器架构：保留传统的全监督内在学习器(IL)以提炼代表性特征，同时引入新颖的扩散学习器(DL)以提供丰富的可泛化特征。最终的双重原型经原型同化模块(PAM)处理后处理，PAM采用新颖的推拉跨导向注意力块进行迭代对齐，将原型与查询空间对齐。此外，原型校准机制(PCM)正则化最终的大容量原型，以防止语义漂移。在S3DIS和ScanNet数据集上进行的广泛实验表明，PENet在各种少样本设置下显著优于最先进的方法。
引用
@article{arxiv.2509.12878,
title = {Few to Big: Prototype Expansion Network via Diffusion Learner for Point Cloud Few-shot Semantic Segmentation},
author = {Qianguang Zhao and Dongli Wang and Yan Zhou and Jianxun Li and Richard Irampa},
journal= {arXiv preprint arXiv:2509.12878},
year = {2025}
}