用于目标点云分割的对象生成数据增强

数据增强广泛用于训练深度学习模型以解决数据稀缺问题。然而，传统数据增强（TDA）通常依赖于简单几何变换，如随机旋转和缩放，导致数据多样性的最小化丰富和模型性能的有限提升。最先进的生成模型用于3D形状生成依赖于去噪扩散概率模型，能够生成用于3D内容创建和操作的逼真新点云。然而，生成的3D形状缺乏关联的点级语义标签，限制了其在扩大点云分割任务训练数据方面的使用。为弥合数据增强技术与先进扩散模型之间的差距，我们将最先进的3D扩散模型Lion扩展为能够在给定分割掩码条件下生成高质量点云的部分感知生成模型。利用新型生成模型，我们引入了用于点云分割训练的3步骤生成数据增强（GDA）管道。我们的GDA方法仅需少量标记样本，却通过生成变体和伪标记样本丰富训练数据，后者经由新颖的基于扩散的伪标签过滤方法验证。在两个大规模合成数据集和一个真实世界医疗数据集上的广泛实验表明，我们的GDA方法在数据增强方法、相关半监督和自监督方法方面均表现优异。