[CVPR2023 | GrowSP：无监督3D点云语义分割]

概要

论文链接：https://arxiv.org/abs/2305.16404

代码链接：https://github.com/vLAR-group/GrowSP

本文的研究主要关注点云的三维语义分割问题。与目前主要依赖于人工注释数据训练神经网络的方法不同，本文提出了一种全新的无监督方法，名为GrowSP。该方法能够成功地识别3D场景中每个点的复杂语义类别，而无需任何标签或预训练模型。

该方法的核心思想是通过逐步增加超点的方式发现三维语义元素。本文的方法由三个主要部分组成：
1）特征提取器：从输入的点云数据中学习逐点的特征。
2）超点构造器：逐步增加超点的大小。
3）语义基元聚类模块：将超点分组为语义元素，以进行最终的语义分割。

本文在多个数据集上对GrowSP进行了广泛评估，并证明了其在所有无监督基线方法上的优越性能，同时接近于经典的全监督PointNet方法。

引言

赋予机器自动发现复杂3D场景的语义组合的能力对于许多尖端应用程序至关重要。在过去几年中，针对三维点云的全监督语义分割已经取得了巨大的进展。通过PointNet、SparseConv以及最近的神经模型等方法，每点语义估计的准确性和效率都得到了极大提高。然而，这些方法的成功主要依赖于大规模的人工注释来训练深度神经网络。

然而，由于数据格式非结构化，手动标注现实世界的3D点云成本极高。为了缓解这个问题，最近的一些方法开