面向推理对齐学习的实时 3D 目标检测
计算机视觉与模式识别
2025-11-21 v1
摘要
从点云中实现实时 3D 目标检测是动态场景理解的关键任务，适用于增强现实、机器人和导航等应用场景。我们提出了一种新的空间优先级和排序感知 3D 目标检测（SR3D）框架，用于室内点云，以弥合检测器训练方式与评估方式之间的差距。这种差距源于训练时缺乏空间可靠性和排序感知，与推理时的排序驱动预测选择相冲突。训练-推理差距阻碍了模型学习与推理行为对齐的表征能力。为此，SR3D 包含两个专为点云空间特性而设计的组件：一种新颖的空间优先级最优传输分配，以动态强化位置良好且空间可靠的样本；一种排序感知自蒸馏方案，通过自蒸馏范式自适应注入排序感知。在 ScanNet V2 和 SUN RGB-D 上的大量实验表明，SR3D 有效弥合了训练-推理差距，显著优于先前方法在精度上表现，同时保持实时速度。
引用
@article{arxiv.2511.16140,
title = {Real-Time 3D Object Detection with Inference-Aligned Learning},
author = {Chenyu Zhao and Xianwei Zheng and Zimin Xia and Linwei Yue and Nan Xue},
journal= {arXiv preprint arXiv:2511.16140},
year = {2025}
}
备注
Accepted by AAAI 2026