PanDA：面向自动驾驶多模态3D全景分割的无监督域自适应
计算机视觉与模式识别
2026-04-22 v1
摘要
本文提出了针对多模态3D全景分割（mm-3DPS）的无监督域自适应（UDA）的首项研究，旨在提高在真实世界自动驾驶中常遇到的域偏移下的泛化能力。一种直接的解决方案是采用伪标签策略，该策略在 UDA 中广泛用于为无标签目标数据生成监督，并结合 mm-3DPS 主干网络。然而，现有的有监督 mm-3DPS 方法严重依赖 LiDAR 和 RGB 输入之间的强跨模态互补性，使其在某一模态退化的域偏移下（例如，光照不良或恶劣天气）变得脆弱。此外，传统的伪标签通常仅保留高置信度区域，导致掩码碎片化和不完整的物体监督，这些问题对全景分割尤为不利。为了应对这些挑战，我们提出了 PanDA，这是首个专门为多模态3D全景分割设计的 UDA 框架。为了提高对单传感器退化的鲁棒性，我们引入了一种非对称多模态增强方法，该方法选择性地丢弃区域以模拟域偏移并改进鲁棒表示学习。为了增强伪标签的完整性和可靠性，我们进一步开发了一个双专家伪标签精修模块，从2D和3D模态中提取域不变先验。跨越时间、天气、地点和传感器变化的多种域偏移的广泛实验，显著超越了3D语义分割的 SOTA UDA 基线。
引用
@article{arxiv.2604.19379,
title = {PanDA: Unsupervised Domain Adaptation for Multimodal 3D Panoptic Segmentation in Autonomous Driving},
author = {Yining Pan and Shijie Li and Yuchen Wu and Xulei Yang and Na Zhao},
journal= {arXiv preprint arXiv:2604.19379},
year = {2026}
}
备注
Accepted at the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) 2026