基于变分推断的不确定性感知原型学习用于少样本点云分割

少样本 3D 语义分割旨在仅凭少数标注支持样本，生成查询点云的准确语义掩码。现有基于原型的方法通常从支持集构建紧凑且确定性的原型，以引导查询分割。然而，这类僵化表征无法捕捉稀缺监督引入的内在不确定性，往往导致鲁棒性下降和泛化能力受限。本文提出了 UPL（Uncertainty-aware Prototype Learning），一种旨在将不确定性建模纳入少样本 3D 分割原型学习中的概率方法。我们的框架包含两个关键组件。首先，UPL 引入了双流原型细化模块，通过同时利用支持样本和查询样本的有限信息，丰富原型表征。其次，我们将原型学习形式化为变分推断问题，将类原型视为潜在变量。这种概率化表述 enables 显式的不确定性建模，提供稳健且可解释的掩码预测。大量实验表明，我们的 UPL 在不同设置下均实现了一致的领先性能，同时提供可靠的不确定性估计。代码已公开于 https://fdueblab-upl.github.io/。