Multi-Granularity Superpoint Graph Learning for Weakly Supervised 3D Semantic Segmentation

doi:10.1109/TMM.2026.3654421

Multi-Granularity Superpoint Graph Learning for Weakly Supervised 3D Semantic Segmentation

2026-02-04

0

PRE

AI

DOI：10.1109/TMM.2026.3654421

原文链接

原文求助

摘要

En 中文

弱监督3D语义分割已被证明可通过生成高质量伪标签来缓解对密集标注的过度依赖。然而，由于点云场景的复杂性和无序性，仅使用模型语义预测或手工特征相似性进行伪标签标注效率低且存在偏差，不可避免地导致伪标签错误。为解决此挑战，我们提出一种名为多粒度超点图学习（MSGL）的新方法，利用点云的多尺度局部特征提升伪标签质量。我们首先在超点图上设计多粒度局部表示学习模块，以捕捉复杂场景中超点间的邻接结构信息。随后，生成的结构嵌入用于增强标签传播的亲和矩阵，从而产生高质量伪标签。为进一步强化结构表示模块在场景变化或数据波动下的泛化能力，我们在MSGL中引入多粒度一致性损失，通过在场景内超点图的不同视图中应用该损失，确保稳健且一致的学习过程。我们在三个基准数据集上的实验表明，所提方法在多种稀疏标签设置下优于现有弱监督方法，且仅增加1%的计算开销即可将基线提升7.7%。此外，当每个物体仅标注一个点时，我们的方法甚至优于部分全监督方法。

Keyword:

Superpoint graph learning

weakly supervised learning

label propagation

and consistency regularization

Multi-Granularity Superpoint Graph Learning for Weakly Supervised 3D Semantic Segmentation

摘要

期刊

机构

引用论文