面向广义少样 3D 点云分割的层次化正交原型学习
计算机视觉与模式识别
2026-03-23 v1 人工智能
摘要
广义少样 3D 点云分割旨在仅凭少量标注即可适应新类别，同时保持对基线类别的强大性能，但这仍然具有挑战性，由于固有的稳定性-塑性权衡：过度适应新类别可能干扰共享表征并导致基线类别遗忘。我们提出HOP3D，一个学习层次化正交原型的统一框架，通过基于熵的少样正则化器实现对新类别的稳健适应而不损害基线类别性能。HOP3D引入的层次化正交化在梯度和表征层面解耦了基线与新类别学习，有效缓解了基线-新类别之间的干扰。为进一步在稀疏监督下提升适应性，我们融入基于熵的正则化器，利用预测不确定性细化原型学习并促进预测平衡。在 ScanNet200 和 ScanNet++ 上的大量实验表明，HOP3D 在 1 shot 和 5 shot 设置下均一致优于最先进的基线。代码已公开于 https://fdueblab-hop3d.github.io/。
引用
@article{arxiv.2603.19788,
title = {Learning Hierarchical Orthogonal Prototypes for Generalized Few-Shot 3D Point Cloud Segmentation},
author = {Yifei Zhao and Fanyu Zhao and Zhongyuan Zhang and Shengtang Wu and Yixuan Lin and Yinsheng Li},
journal= {arXiv preprint arXiv:2603.19788},
year = {2026}
}
备注
6 pages, 6 figures, 2 tables, Accepted by ICME 2026