通过空间上下文约束解决长尾工业点云分割中的基元共享歧义
计算机视觉与模式识别
2026-01-28 v1
摘要
面向数字孪生构建的工业点云分割面临一个持续挑战：减速器和阀门等安全关键部件被系统性地错误分类。这些失败源于两个复合因素：此类部件在训练数据中很少见，但它们与管道等主导结构共享相同的局部几何形状。这项工作识别了工业3D数据特有的双重危机：极端类别不平衡（215:1的比例）与几何歧义（大多数尾部类别与头部类别共享圆柱基元）相复合。现有的基于频率的重新加权方法解决了统计不平衡问题，但无法解决几何歧义。我们提出了空间上下文约束，利用邻域预测一致性来消除局部相似结构的歧义。我们的方法通过两个与架构无关的机制扩展了类别平衡（CB）损失框架：（1）边界-CB，一种基于熵的约束，强调模糊边界；（2）密度-CB，一种基于密度的约束，补偿扫描依赖的变化。两者都作为即插即用模块集成，无需网络修改，只需替换损失函数。在Industrial3D数据集（来自水处理设施的6.1亿个点）上，我们的方法实现了55.74%的mIoU，尾部类别性能相对提升21.7%（29.59%对比基线24.32%），同时保持了头部类别的准确率（88.14%）。具有基元共享歧义的部件显示出显著增益：减速器的IoU从0%提高到21.12%；阀门的IoU相对提高了24.3%。这解决了几何歧义，而没有典型的头尾权衡，从而能够可靠地识别安全关键部件，用于数字孪生应用中的自动化知识提取。
引用
@article{arxiv.2601.19128,
title = {Resolving Primitive-Sharing Ambiguity in Long-Tailed Industrial Point Cloud Segmentation via Spatial Context Constraints},
author = {Chao Yin and Qing Han and Zhiwei Hou and Yue Liu and Anjin Dai and Hongda Hu and Ji Yang and Wei Yao},
journal= {arXiv preprint arXiv:2601.19128},
year = {2026}
}