Region-Transformer：基于自注意力区域的类不可知点云分割

点云分割帮助我们理解特定结构和物体的环境，可以通过类特定和类不可知的方式进行。我们提出了一种名为 Region-Transformer 的基于区域的 Transformer 模型，用于执行类不可知点云分割。该模型利用区域生长方法和自注意力机制，通过添加或移除点来迭代地扩展或收缩区域。它仅在带有实例标签的模拟点云上进行训练，避免了语义标签。基于注意力的网络在以往许多执行点云分割的方法中取得了成功。然而，将区域生长方法与基于注意力的网络结合以探索其性能提升尚未被使用。据我们所知，我们是首个在区域生长方法中使用自注意力机制的。通过将能够利用邻域点局部上下文信息的自注意力引入区域生长，我们的实验表明，Region-Transformer 模型在室内数据集上的聚类指标方面优于以往的类不可知和类特定方法。该模型对大规模场景具有良好的泛化能力。主要优势包括通过自注意力捕获长程依赖、训练期间无需语义标签以及适用于可变数量的物体。Region-Transformer 模型代表了一种灵活的点云分割方法，在机器人、数字孪生和自动驾驶中具有应用前景。