PointGS：基于 3D 高斯溅写的语义一致无监督 3D 点云分割

无监督点云分割对具身人工智能和自动驾驶至关重要，因为它缓解了密集点级标注成本的高企，这些成本是完全监督方法的必需。虽然将 2D 预训练模型如 Segment Anything Model（SAM）整合以补充语义信息是自然的选择，但这种方法面临离散 3D 点与连续 2D 图像之间的根本性不匹配。这种不匹配导致不可避免的投影重叠和复杂的模态对齐，导致 2D-3D 传递中的语义一致性受损。为解决这些限制，本文提出 PointGS，一个简单有效的管线，用于无监督 3D 点云分割。PointGS 利用 3D 高斯溅写作为统一的中间表示，将离散-连续领域的鸿沟连接起来。输入稀疏点云通过多视角观测重建为密集 3D 高斯空间，填补空间间隙并编码遮挡关系，以消除投影引起的语义混淆。从高斯空间渲染多视角密集图像，通过 SAM 提取 2D 语义掩码，并通过对比学习将语义蒸馏到 3D 高斯原语中，以确保不同视角下的语义分配一致。通过两步配准将高斯空间与原始点云对齐，点语义通过在标记高斯上最近邻搜索被赋值。实验表明，PointGS 在 ScanNet-V2 上的 mIoU 提高 0.9%，在 S3DIS 上的 mIoU 提高 2.8%，均优于最先进的无监督方法。