基于 3D 高斯溶解的农业车辆点云分割
计算机视觉与模式识别
2025-06-06 v1
摘要
训练用于 3D 点云语义分割等任务的神经网络需要大量数据集，但获取和标注真实世界点云成本高昂且费时。本工作旨在通过利用 3D 高斯溶解（3D Gaussian Splatting, 3DGS）和高斯不透明度场（Gaussian Opacity Fields, GOF）生成逼真的合成数据，为多个不同农业车辆创建 3D 资产，而非使用通用模型。这些资产被放置在模拟环境中，点云通过模拟 LiDAR 生成。这是一种灵活的方法，允许在不额外增加成本的情况下更改 LiDAR 规格。我们评估了合成数据对诸如 PointNet++、Point Transformer V3 和 OACNN 等分割模型的影响，仅使用合成数据进行训练和验证。惊人的是，PTv3 模型达到了 91.35% 的 mIoU，这一结果值得注意，因为该模型既未在任何真实数据上训练，也未在真实数据上验证。进一步的研究甚至表明，在某些场景中，仅使用合成数据训练的模型在真实世界数据上表现得更好。最后，实验表明，这些模型能够跨越语义类别，以实现对它们从未训练过的网格模型的准确预测。
引用
@article{arxiv.2506.05009,
title = {Point Cloud Segmentation of Agricultural Vehicles using 3D Gaussian Splatting},
author = {Alfred T. Christiansen and Andreas H. Højrup and Morten K. Stephansen and Md Ibtihaj A. Sakib and Taman S. Poojary and Filip Slezak and Morten S. Laursen and Thomas B. Moeslund and Joakim B. Haurum},
journal= {arXiv preprint arXiv:2506.05009},
year = {2025}
}