P-SLCR：基于原型结构学习和一致推理的无监督点云语义分割
计算机视觉与模式识别
2026-03-09 v1
摘要
当前的点云场景语义分割方法严重依赖手动标注，而针对原始点云的无监督语义分割方法仍处于早期阶段。无监督点云学习由于缺乏标注信息和缺乏预训练，面临着显著挑战。在此背景下，有效策略的开发至关重要。本文提出一种新颖的由原型库驱动的无监督点云语义分割策略，利用结构学习和一致推理（P-SLCR）。首先，我们提出一致结构学习，通过选择高质量特征，在一致点与一致原型库之间建立结构特征学习。其次，我们提出语义关系一致推理，分别构建一致原型库和模糊原型库之间的原型间关系矩阵。该过程通过对一致和模糊原型库施加约束，确保保持语义一致性。我们的方法在 S3DIS、SemanticKITTI 和 Scannet 数据集上进行了广泛评估，达到了与无监督方法相媲美的最佳性能。具体而言，S3DIS 数据集 Area-5 的 mIoU 为 47.1%，超越了经典的全监督方法 PointNet 2.5%。
引用
@article{arxiv.2603.06321,
title = {P-SLCR: Unsupervised Point Cloud Semantic Segmentation via Prototypes Structure Learning and Consistent Reasoning},
author = {Lixin Zhan and Jie Jiang and Tianjian Zhou and Yukun Du and Yan Zheng and Xuehu Duan},
journal= {arXiv preprint arXiv:2603.06321},
year = {2026}
}