UniC-Lift：基于对比学习的统一三维实例分割
计算机视觉与模式识别
2026-01-01 v1
摘要
三维高斯泼溅（3DGS）和神经辐射场（NeRF）推动了新视角合成的发展。近期方法将多视图二维分割扩展到三维，实现了实例/语义分割，以更好地理解场景。一个关键挑战是二维实例标签在不同视图间的不一致性，导致三维预测效果不佳。现有方法采用两阶段方法，其中一些依赖对超参数敏感的聚类的对比学习，而另一些则预处理标签以获得一致性。我们提出了一个统一框架，将这些步骤合并，通过为高斯原语中的分割引入可学习的特征嵌入，减少了训练时间并提高了性能。然后，通过一个新颖的“嵌入到标签”过程，该嵌入被高效地解码为实例标签，有效地整合了优化过程。虽然这个统一框架带来了显著的好处，但我们在物体边界处观察到了伪影。为了解决物体边界问题，我们提出沿这些边界进行困难样本挖掘。然而，直接将困难挖掘应用于特征嵌入被证明是不稳定的。因此，我们在计算三元组损失之前，对光栅化的特征嵌入应用一个线性层，这稳定了训练并显著提高了性能。我们的方法在 ScanNet、Replica3D 和 Messy-Rooms 数据集上，定性和定量地优于基线方法。
引用
@article{arxiv.2512.24763,
title = {UniC-Lift: Unified 3D Instance Segmentation via Contrastive Learning},
author = {Ankit Dhiman and Srinath R and Jaswanth Reddy and Lokesh R Boregowda and Venkatesh Babu Radhakrishnan},
journal= {arXiv preprint arXiv:2512.24763},
year = {2026}
}
备注
Accepted to AAAI 2026. Project Page: https://unic-lift.github.io/