FoundObj：基于自监督基础模型的无标签 3D 物体分割奖励机制
计算机视觉与模式识别
2026-05-27 v1 人工智能
机器学习
机器人学
摘要
我们解决了在复杂场景点云中进行 3D 物体分割的挑战任务，这一任务在训练过程中不依赖任何场景级人工标注。现有方法通常局限于识别简单物体，主要是由于学习过程中缺乏足够的物体先验。本文提出了 FoundObj，一种新型框架，包含基于超点的物体发现智能体，通过不断合并合适的相邻超点来实现，由我们创新的语义和几何奖励模块引导。这些模块综合利用来自自监督 2D/3D 基础模型的语义和几何先验，为物体发现智能体提供互补的反馈，使其能够通过强化学习实现对多类别物体的稳健识别。广泛的实验表明，我们的方法在 diverse benchmarks 上始终优于现有基线。值得注意的是，我们的方法在零样本和长尾场景中表现出强大的泛化能力，这凸显了其在可扩展、无标签 3D 物体分割方面的潜力。
引用
@article{arxiv.2605.27178,
title = {FoundObj: Self-supervised Foundation Models as Rewards for Label-free 3D Object Segmentation},
author = {Zihui Zhang and Zhixuan Sun and Yafei Yang and Jinxi Li and Jiahao Chen and Bo Yang},
journal= {arXiv preprint arXiv:2605.27178},
year = {2026}
}
备注
ICML 2026. Zihui and Zhixuan are co-first authors. Code and data are available at: https://github.com/vLAR-group/FoundObj