PointDiffuse: A Dual-Conditional Diffusion Model for Enhanced Point Cloud Semantic Segmentation

doi:10.1109/tase.2026.3722737

PointDiffuse: A Dual-Conditional Diffusion Model for Enhanced Point Cloud Semantic Segmentation

2026-08-11

0

PRE

AI

DOI：10.1109/tase.2026.3722737

原文链接

原文求助

摘要

En 中文

扩散概率模型传统上用于在2D图像的固定像素位置生成颜色。在此基础上，我们将扩散模型扩展到点云语义分割，其中点位置也保持固定，扩散模型生成的是点标签而非颜色。为加速反向扩散中的去噪过程，我们引入了噪声标签嵌入机制。该方法将语义信息整合到噪声标签中，提供初始语义参考以提升反向扩散效率。此外，我们提出了点频谱变换器，以增强点云中高层上下文的调整。为降低计算复杂度，我们将位置条件引入MLP，并提出去噪PointNet以处理高分辨率点云而不牺牲几何细节。最后，我们将提出的噪声标签嵌入、点频谱变换器和去噪PointNet整合到我们提出的双条件扩散模型网络（PointDiffuse）中，以执行大规模点云语义分割。在五个基准测试上的广泛实验证明了PointDiffuse的优越性，在S3DIS Area 5上达到74.2%的mIoU、S3DIS 6-fold上达到81.2%的mIoU，以及SWAN数据集上达到64.8%的mIoU。实践者注意—点云语义分割对机器人自动化、自动驾驶和3D检测至关重要。实际点云通常噪声较大且几何失真，挑战了传统分割方法。提出的PointDiffuse框架通过使用扩散模型直接生成点标签，将分割任务转化为稳健的去噪过程。其噪声标签嵌入和点频谱变换器专门设计用于处理传感器数据固有的不确定性和噪声，提升实际应用中的可靠性。当前工作集中于单数据集训练；未来将探索多数据集联合训练，以增强不同环境和传感器类型下的泛化能力。

Keyword:

3D point clouds

point frequency transformer

diffusion model

PointDiffuse: A Dual-Conditional Diffusion Model for Enhanced Point Cloud Semantic Segmentation

摘要

期刊

机构

引用论文