基于噪声标签学习的鲁棒点云分割

点云分割是三维中的基础任务。尽管深度网络驱动的点云分割近期取得进展，当前基于干净标签假设的深度学习方法可能在噪声标签下失效。然而，真实世界点云数据集中的物体类标签常被错误标注。在这项工作中，我们率先通过提出一种新颖的点噪声自适应学习（PNAL）框架来解决此问题。与图像任务上现有的噪声鲁棒方法相比，我们的 PNAL 对噪声率盲化，以应对点云特有的空间变化噪声率问题。具体而言，我们提出一种新颖的逐点置信选择，基于每点的历史预测获取可靠标签。提出一种新颖的簇级标签修正，采用投票策略生成考虑邻点相关性的最佳可能标签。我们进行了大量实验以证明 PNAL 在合成与真实世界噪声数据集上的有效性。特别地，即使有 $60\%$ 对称噪声标签，我们提出的方法仍大幅优于无 PNAL 的基线对应方法，并可媲美在完全干净数据集上训练的理想上界。此外，我们全面重新标注了流行但含噪的真实世界场景数据集 ScanNetV2 的验证集以使其干净，用于严谨实验与未来研究。我们的代码与数据见 \url{https://shuquanye.com/PNAL_website/}。