NeurNCD：基于隐式神经表示的新类发现

在开放环境中发现新类对于现实应用至关重要。传统的显式表示，如对象描述符或3D分割图，受制于其离散、易出现空洞且噪声较大的特性，这会阻碍对新类的准确发现。为此，我们引入NeurNCD——首个功能多样且数据高效的新类发现框架，该框架采用精心设计的Embedding-NeRF模型，结合KL散度，作为传统显式3D分割图的替代方案，用于在视觉嵌入空间中聚合语义嵌入和熵值。NeurNCD还集成了若干关键组件，包括特征查询、特征调制和聚类，促进了预训练语义分割网络与隐式神经表示之间的高效特征增强和信息交换。因此，我们的框架在开放和封闭环境中均实现了优异的分割性能，且无需依赖密集标注数据进行监督训练，或依赖人类交互以生成稀疏标签监督。大量实验表明，我们的方法在NYUv2和Replica数据集上显著优于当前最先进的方法。