面向可扩展植物器官级3D分割：搭建数据-算法-计算的鸿沟
计算机视觉与模式识别
2025-09-09 v1 定量方法
摘要
对植物形态的精确表征为理解植物与环境相互作用及遗传演化提供了宝贵见解。3D分割是从复杂点云中提取这一信息的关键技术，能够描绘出单个植物器官。尽管在一般3D计算机视觉领域取得了显著进展，但由于三个主要挑战，3D分割在植物表型学中的应用仍受限：i) 大规模标注数据集的稀缺，ii) 将先进深度神经网络适用于植物点云的技术难题，iii) 缺乏针对植物科学的标准化基准和评估协议。本综述系统性地解决了这些障碍：i) 提供现有3D植物数据集在一般3D分割领域背景下的概览，ii) 系统性地总结基于深度学习的点云语义和实例分割方法，iii) 引入植物分割工作室（Plant Segmentation Studio, PSS），一个用于可重复基准测试的开源框架，iv) 进行大量定量实验以评估代表性网络和仿真到真实的学习策略。我们的发现表明，稀疏卷积主干网络和基于Transformer的实例分割具有显著效能，而且建模驱动和增强驱动的合成数据生成在降低标注需求方发挥着互补作用。总体而言，本研究搭建了算法进步与实际部署之间的鸿沟，为研究者提供即用工具，并为在3D植物表型学中开发数据高效且可泛化的深度学习解决方案指明了道路。数据与代码已公开于 https://github.com/perrydoremi/PlantSegStudio。
引用
@article{arxiv.2509.06329,
title = {Towards scalable organ level 3D plant segmentation: Bridging the data algorithm computing gap},
author = {Ruiming Du and Guangxun Zhai and Tian Qiu and Yu Jiang},
journal= {arXiv preprint arXiv:2509.06329},
year = {2025}
}