通过2D透镜看3D：基于跨模态几何校正的3D少样本类别增量学习
计算机视觉与模式识别
2025-09-23 v2
摘要
3D 数字内容的快速增长要求为开放世界场景设计可扩展的识别系统。然而，现有的 3D 类别增量学习方法在极端数据稀缺条件下因几何错位和纹理偏差而难以有效工作。虽然近期方法将 3D 数据与 2D 基础模型（如 CLIP）相结合，但它们受到纹理偏向投影导致的语义模糊以及几何-纹理线索的无差别融合的影响，导致决策原型不稳定和灾难性遗忘。为了解决这些问题，我们提出了跨模态几何校正（CMGR），一个通过利用 CLIP 的分层空间语义来增强 3D 几何保真度的框架。具体而言，我们引入了一个结构感知几何校正模块，通过注意力驱动的几何融合将 3D 部件结构与 CLIP 的中间空间先验进行分层对齐。此外，纹理增强模块合成最少但具有判别力的纹理以抑制噪声并强化跨模态一致性。为了进一步稳定增量原型，我们采用了一个基类-新类判别器来隔离几何变化。大量实验证明，我们的方法显著提升了 3D 少样本类别增量学习，在跨域和域内设置中均实现了优越的几何一致性和对纹理偏差的鲁棒性。
引用
@article{arxiv.2509.14958,
title = {Seeing 3D Through 2D Lenses: 3D Few-Shot Class-Incremental Learning via Cross-Modal Geometric Rectification},
author = {Tuo Xiang and Xuemiao Xu and Bangzhen Liu and Jinyi Li and Yong Li and Shengfeng He},
journal= {arXiv preprint arXiv:2509.14958},
year = {2025}
}
备注
ICCV2025