基于层次化神经过程的概率交互式 3D 分割
计算机视觉与模式识别
2025-05-27 v2
摘要
交互式 3D 分割已成为一种有前景的解决方案，通过结合用户提供的点击，在复杂的 3D 场景中生成精确的对象掩码。然而，两个关键挑战仍未得到充分探索：（1）从稀疏的用户点击中有效泛化以产生精确分割，以及（2）量化预测不确定性以帮助用户识别不可靠区域。在这项工作中，我们提出了 NPISeg3D，一个新颖的概率框架，它建立在神经过程（Neural Processes, NPs）之上以应对这些挑战。具体来说，NPISeg3D 引入了一个分层潜变量结构，包含场景特定和对象特定的潜变量，通过捕捉全局上下文和对象特定特征来增强小样本泛化能力。此外，我们设计了一个概率原型调制器，它利用对象特定的潜变量自适应地调制点击原型，提高了模型捕捉对象感知上下文和量化预测不确定性的能力。在四个 3D 点云数据集上的实验表明，NPISeg3D 在更少的点击次数下实现了优越的分割性能，同时提供了可靠的不确定性估计。
引用
@article{arxiv.2505.01726,
title = {Probabilistic Interactive 3D Segmentation with Hierarchical Neural Processes},
author = {Jie Liu and Pan Zhou and Zehao Xiao and Jiayi Shen and Wenzhe Yin and Jan-Jakob Sonke and Efstratios Gavves},
journal= {arXiv preprint arXiv:2505.01726},
year = {2025}
}
备注
ICML 2025 Proceedings