PointCSP：跨样本语义传播与稳定性保持的自监督点云学习
计算机视觉与模式识别
2026-05-05 v1
摘要
场景级点云自监督学习（PC-SSL）在提升 3D 视觉模型的泛化能力方面展现出潜力。尽管现有方法已取得进展，但基于样本独立建模的范式在维持跨场景一致语义表征方面仍存在显著局限，这阻碍了构建统一且可迁移的语义空间。为此，我们提出一种基于跨样本语义传播（Cross-Sample Semantic Propagation, CSP）的 PC-SSL 框架，其中将 batch 中的样本序列化为连续输入并通过状态空间模型处理，以实现语义状态的传播。该机制显式建模样本之间在状态空间中的动态依赖，使网络能够在潜在空间中建立跨样本语义一致性，实现全局语义对齐。由于基于序列化的预训练需要 batch 级别的输入组织，我们进一步引入在微调期间的非对称语义保持蒸馏（Semantic Preservation Distillation, SPD），以实现语义迁移的结构对齐并消除由 batch 依赖性导致的不一致性。所提出的 SPD 通过异构输入机制和语义特征对齐约束，确保预训练语义在单场景测试条件下保持结构化语义一致性和鲁棒性。多个基准数据集上的大量实验表明，我们的方法在性能和语义一致性方面均显著优于最先进的方法。
引用
@article{arxiv.2605.01759,
title = {PointCSP: Cross-Sample Semantic Propagation and Stability Preservation in Self-Supervised Point Cloud Learning},
author = {Xinxing Yu and Ajian Liu and Sunyuan Qiang and Hui Ma and Liying Yang and Yuzhong Wang and Zhi Rao and Yanyan Liang},
journal= {arXiv preprint arXiv:2605.01759},
year = {2026}
}
备注
conference