SCOPE：基于场景语境的递增型少样本3D分割
计算机视觉与模式识别
2026-03-10 v2 机器学习
摘要
递增式少样本（IFS）分割旨在从仅少量标注中学习新类别。虽然在2D中已广泛研究，但在3D点云上仍鲜有探索。现有方法要么 suffer 于灾难性遗忘，要么在稀疏监督下难以学习判别性原型，常常忽视了一个关键线索：新类别经常作为基线训练场景中未标注的背景出现。我们引入SCOPE（Scene-COntextualised Prototype Enrichment），一个即插即用的背景引导的原型丰富框架，可与任何基于原型的3D分割方法集成。在基线训练后，一个类别无感知分割模型从背景区域提取高置信度的伪实例，以构建原型池。当新类别以少量标注样本到达时，检索相关背景原型并与少样本原型融合，以无需重新训练主干网络或增加参数的情况下形成丰富的表征。在ScanNet和S3DIS上的实验表明，SCOPE实现了SOTA性能，分别将新类别IoU提高了最高可达6.98%和3.61%，平均IoU提高了2.25%和1.70%，同时保持了较低的遗忘率。代码可在 https://github.com/Surrey-UP-Lab/SCOPE 获取。
引用
@article{arxiv.2603.06572,
title = {SCOPE: Scene-Contextualized Incremental Few-Shot 3D Segmentation},
author = {Vishal Thengane and Zhaochong An and Tianjin Huang and Son Lam Phung and Abdesselam Bouzerdoum and Lu Yin and Na Zhao and Xiatian Zhu},
journal= {arXiv preprint arXiv:2603.06572},
year = {2026}
}
备注
Accepted at CVPR 2026 (Findings)