UnScene3D：面向室内场景的无监督 3D 实例分割

3D 实例分割对我们周围世界的几何理解至关重要。现有 3D 场景实例分割方法依赖昂贵人工 3D 标注的监督。我们提出 UnScene3D，首个面向室内扫描的类别无关 3D 实例分割的全无监督 3D 学习方法。UnScene3D 首先利用自监督颜色与几何特征生成伪掩码以寻找潜在物体区域。我们基于几何过分割进行操作，从而在高分辨率 3D 数据上实现高效表示与学习。粗提议随后通过模型对其预测的自训练得以精炼。我们的方法在平均精度（Average Precision）分数上超越当前最优无监督 3D 实例分割方法逾 300%，即使在具挑战性的杂乱 3D 场景中也展现出有效的实例分割。