SPPSFormer：用于点云屋顶平面实例分割的高质量超点 Transformer

Transformer 很少被用于点云屋顶平面实例分割，这是本研究的重点；而现有的超点 Transformer 由于使用低质量的超点，性能受限。为了应对这一挑战，我们确立了 Transformer 的高质量超点应满足的两个标准，并引入了相应的两阶段超点生成过程。我们的方法生成的超点不仅具有准确的边界，而且表现出一致的几何尺寸和形状，这两点都极大地有利于超点 Transformer 的特征学习。为了弥补训练集规模有限时深度学习特征的局限性，我们将多维手工特征纳入模型中。此外，我们设计了一个结合 Kolmogorov-Arnold 网络与 Transformer 模块的解码器，以改进实例预测和掩码提取。最后，使用基于传统算法的后处理来优化我们网络的预测。为了进行评估，我们标注了一个真实世界数据集，并纠正了现有 RoofN3D 数据集中的标注错误。实验结果表明，我们的方法在我们的数据集以及原始和重新标注的 RoofN3D 数据集上均取得了 SOTA 性能。此外，我们的模型在训练期间对平面边界标注不敏感，显著减轻了标注负担。通过综合实验，我们还发现了影响屋顶平面分割性能的关键因素：除了屋顶类型外，点云密度、密度均匀性和 3D 点精度的变化也有相当大的影响。这些发现强调了纳入考虑点云质量的数据增强策略的重要性，以在多样且具有挑战性的条件下增强模型的鲁棒性。