SegGraph：利用SAM分段图进行少样本3D零件分割
计算机视觉与模式识别
2025-12-19 v1
摘要
本工作提出一种新型框架，用于少样本3D零件分割。最近的进展表明，2D基础模型在低样本3D零件分割方具有显著潜力。然而，如何有效地将2D知识聚合到3D中仍是一个开放问题。现有方法要么忽略3D特征学习的几何结构，要么忽略SAM提供的高质量分组线索，导致分割不足和零件标签不一致。在我们设计的新型SAM分段图基于传播方法（命名为SegGraph）中显式学习编码于SAM分割掩码中的几何特征。我们的 метод通过建模分段之间的相互重叠和邻接来编码几何特征，同时保持分段内部的语义一致性。我们构建了一个分段图，概念上类似于胚层，其中节点代表分段，边缘捕获它们的空间关系（重叠/邻接）。每个节点自适应地调制2D基础模型特征，然后通过图神经网络进行传播，以学习全局几何结构。为强制分段内部的语义一致性，我们将分段特征映射到3D点，采用一种新颖的视线方向加权融合方法，以减弱来自低质量分段的贡献。在PartNet-E上的大量实验表明，该方法比所有竞争基线至少提高了6.9个百分点的mIoU。进一步分析表明，SegGraph在小组件和零件边界方面尤其表现出色，显示出其优异的几何理解能力。代码已公开：https://github.com/YueyangHu2000/SegGraph。
引用
@article{arxiv.2512.16143,
title = {SegGraph: Leveraging Graphs of SAM Segments for Few-Shot 3D Part Segmentation},
author = {Yueyang Hu and Haiyong Jiang and Haoxuan Song and Jun Xiao and Hao Pan},
journal= {arXiv preprint arXiv:2512.16143},
year = {2025}
}