聚类足以解决 LiDAR 实例分割吗？一个 SOTA 的免训练基线
计算机视觉与模式识别
2025-11-18 v3
摘要
LiDAR 点云的全景分割是室外场景理解的基础，自动驾驶是其主要应用。尽管 SOTA 方法通常依赖端到端深度学习架构和大量的人工实例标注，但标注大规模点云数据集所需的高昂成本和时间投入仍是该领域的主要瓶颈。在本工作中，我们证明了仅使用语义标签即可实现具有竞争力的全景分割，且实例预测无需任何训练或标注。我们的方法在 SemanticKITTI 和 nuScenes 等标准基准测试中优于大多数 SOTA 监督方法；作为直接替换的实例头，它在 SemanticKITTI 上优于所有公开可用的方法，同时在单线程 CPU 上实时运行且无需实例标签。该方法是完全可解释的，无需学习或参数调优。Alpine 结合 SOTA 语义分割在 SemanticKITTI 官方全景分割排行榜上排名第一。代码可在 https://github.com/valeoai/Alpine/ 获取。
关键词
引用
@article{arxiv.2503.13203,
title = {Is clustering enough for LiDAR instance segmentation? A state-of-the-art training-free baseline},
author = {Corentin Sautier and Gilles Puy and Alexandre Boulch and Renaud Marlet and Vincent Lepetit},
journal= {arXiv preprint arXiv:2503.13203},
year = {2025}
}
备注
Accepted at 3DV 2026 Alpine ranks first in the leaderboard of SemanticKITTI's panoptic segmentation