Point-SAM：用于点云的可提示 3D 分割模型
计算机视觉与模式识别
2024-12-04 v2 人工智能
摘要
2D 分割的基础模型发展得非常快速，由 Segment Anything Model（SAM）推动了这一进展。然而，在 3D 模型中实现类似成功仍面临诸多挑战，包括数据格式不统一、模型可扩展性差以及稀缺的具有多样掩码标签数据。为此，我们提出了面向点云的 3D 可提示分割模型 Point-SAM。我们采用专为点云设计的高效变换器架构，将 SAM 扩展到 3D 领域。随后，我们通过引入数据引擎，从 2D SAM 中生成大规模的部件级和对象级伪标签，用于 Point-SAM 的训练。我们的模型在多个室内和户外基准测试上均优于最新 3D 分割模型，并展示了多种应用场景，如交互式 3D 标注和零样本 3D 实例提议。代码和演示可在 https://github.com/zyc00/Point-SAM 查看。
引用
@article{arxiv.2406.17741,
title = {Point-SAM: Promptable 3D Segmentation Model for Point Clouds},
author = {Yuchen Zhou and Jiayuan Gu and Tung Yen Chiang and Fanbo Xiang and Hao Su},
journal= {arXiv preprint arXiv:2406.17741},
year = {2024}
}