基于超点局部-全局聚类的 3D 点云无监督语义分割方法 LogoSP
计算机视觉与模式识别
2025-06-10 v1 人工智能
机器学习
机器人学
摘要
本文研究无需训练阶段人工标注的原始点云 3D 语义分割问题。现有方法通常将其形式化为逐点局部特征学习后再进行简单聚类，缺乏发现超出局部特征之外的额外甚至更丰富语义先验的能力。本文提出LogoSP，通过学习点云的局部与全局特征来获取 3D 语义信息。关键在于根据点在频谱域中的全局模式对超点进行聚类，从而为训练分割网络生成高度准确的语义伪标签。在两个室内数据集和一个户外数据集上进行大量实验表明，LogoSP以显著优于现有无监督方法的性能，实现了无监督 3D 语义分割的状态最佳成绩。值得注意的是，我们对所学习的全局模式进行了调查，发现它们在训练期间未引入人工标签的情况下，确实代表了有意义的 3D 语义信息。
引用
@article{arxiv.2506.07857,
title = {LogoSP: Local-global Grouping of Superpoints for Unsupervised Semantic Segmentation of 3D Point Clouds},
author = {Zihui Zhang and Weisheng Dai and Hongtao Wen and Bo Yang},
journal= {arXiv preprint arXiv:2506.07857},
year = {2025}
}
备注
CVPR 2025. Code and data are available at: https://github.com/vLAR-group/LogoSP