S2AM3D：3D 点云可缩放部件分割
计算机视觉与模式识别
2026-04-28 v4
摘要
部件级点云分割最近在 3D 计算机视觉中受到广泛关注。 然而， 现有研究面临两个主要挑战： native 3D 模型因数据稀缺缺乏泛化性， 引入 2D 预训练知识常导致不同视角下的分割结果不一致。为此， 我们提出 S2AM3D， 将 2D 分割先验与 3D 一致监督相结合。 我们设计点一致性部件编码器， 通过 native 3D 对比学习聚合多视角 2D 特征， 生成全局一致的点特征。随后提出面向可缩放的提示解码器， 允许通过连续尺度信号实现分割细粒度的实时调节。 同时， 我们构建了一个规模庞大且质量高好的部件级点云数据集， 数据集包含超过 10 万样本， 为模型训练提供充足监督信号。广泛实验表明， S2AM3D 在多个评估场景下实现了领先性能， 在处理复杂结构和尺寸差异显著的部件时展现出卓越的鲁棒性和可控性。
引用
@article{arxiv.2512.00995,
title = {S2AM3D: Scale-controllable Part Segmentation of 3D Point Clouds},
author = {Han Su and Tianyu Huang and Zichen Wan and Xiaohe Wu and Wangmeng Zuo},
journal= {arXiv preprint arXiv:2512.00995},
year = {2026}
}
备注
Accepted by CVPR 2026(Oral). Project page:https://sumuru789.github.io/S2AM3D-website/