SGS-3D：通过可靠语义掩码分割与扩增实现高保真 3D 实例分割
计算机视觉与模式识别
2025-12-22 v2
摘要
准确的 3D 实例分割是 3D 视觉领域获得高质量场景理解的关键。然而，基于 2D 到 3D 提升方法的 3D 实例分割难以产生精确的实例级分割，由于在从模糊语义指导和不足深度约束引入的提升过程中积累误差。为解决这些挑战，我们提出了一种用于高保真 3D 实例分割的分割和扩增可靠语义掩码方法(SGS-3D)，这是一种新的“split-then-grow”框架，首先利用几何原始对象清理和分割模糊的提升掩码，然后将其扩增为完整的实例。与现有方法直接依赖原始提升掩码且牺牲分割精度不同，SGS-3D 作为一种无训练的细化方法，联合融合语义和几何信息，实现了两种表示层次的有效协作。 Specifically，对于语义指导，我们引入一种掩码过滤策略，利用 3D 几何原始对象的共现来识别并删除模糊掩码，从而确保与 3D 对象实例的更可靠语义一致性。对于几何细化，我们在语义在不同对象之间存在模糊性的情况下，利用空间连续性和高层次特征构建细粒度的对象实例。在 ScanNet200、ScanNet++ 和 KITTI-360 上的实验结果表明，SGS-3D 在提高分割精度和鲁棒性方面显著优于来自预训练模型的不准确掩码，同时在 diverse 的室内和户外环境中保持强大的概括能力。代码可在 https://github.com/wangchaolei7/SGS-3D 获取。
引用
@article{arxiv.2509.05144,
title = {SGS-3D: High-Fidelity 3D Instance Segmentation via Reliable Semantic Mask Splitting and Growing},
author = {Chaolei Wang and Yang Luo and Jing Du and Siyu Chen and Yiping Chen and Ting Han},
journal= {arXiv preprint arXiv:2509.05144},
year = {2025}
}