LLM引导的3D点云主动学习：层次不确定性与分类学
计算机视觉与模式识别
2025-06-04 v2
摘要
我们提出了一种新的3D点云语义分割主动学习框架，首次将大语言模型（LLM）集成到构建层次标签结构和引导不确定性基于样本的选择中。不同于以往将标签视为平坦和独立的方法，本文方法利用LLM提示自动生成多级语义分类学，并引入递归不确定性投影机制在层次结构中传播不确定性。这使得在尊重3D场景内在语义结构的前提下实现空间上多样化、标签感知的点选择。在S3DIS和ScanNet v2数据集上的实验表明，我们的方法在极低标注预算（例如0.02%）下可实现最高4%的mIoU提升，显著优于现有基线方法。我们的结果突显了LLM作为知识先验在3D视觉中的潜在价值，并确立了层次不确定性建模作为高效点云标注的强大范式。
引用
@article{arxiv.2505.18924,
title = {LLM-Guided Taxonomy and Hierarchical Uncertainty for 3D Point Cloud Active Learning},
author = {Chenxi Li and Nuo Chen and Fengyun Tan and Yantong Chen and Bochun Yuan and Tianrui Li and Chongshou Li},
journal= {arXiv preprint arXiv:2505.18924},
year = {2025}
}