SuperGSeg：基于结构高斯的开词汇3D分割

3D 高斯溶解最近因其高效训练和实时渲染而受到关注。虽然其标准表示主要为视图合成设计，但最近的工作将其扩展到具有语言特征的场景理解。然而，存储用于语义信息的每个高斯的额外高维特征是内存密集型的，这限制了其对复杂场景的分割和解释能力。为此，我们介绍了SuperGSeg，这是一种通过解耦分割和语言场蒸馏来促进具有连续性、上下文感知的分层场景表示的新方法。SuperGSeg首先利用可获取的2D掩码，通过神经3D高斯学习几何、实例和分层分割特征。随后，这些特征被用于创建稀疏的\acrlong{superg}集合。\acrlong{superg} facilitate the lifting and distillation of 2D language features into 3D space. They enable hierarchical scene understanding with high-dimensional language feature rendering at moderate GPU memory costs. Extensive experiments demonstrate that SuperGSeg achieves remarkable performance on both open-vocabulary object selection and semantic segmentation tasks.