英文字典中文字典51ZiDian.com

中文字典辞典英文字典 a b c d e f g h i j k l m n o p q r s t u v w x y z

安装中文字典英文字典辞典工具!

安装中文字典英文字典辞典工具!

NeurIPS25! AutoSeg3D：在线完成任意3D分割，只需1张4090
因此，面向流式输入的在线 3D 实例分割成为更贴近落地的方向。借助 SAM 等视觉基础模型，近期 VFM 辅助的在线 3D 实例分割展现出效率与效果兼顾的潜力。现有方法通常在 2D 层面生成 mask，再结合深度提升到 3D 超点或点云表示以实现跨帧输出。
深度学习3D分割综述文献 - 半夜打老虎 - 博客园
覆盖180篇文章，前面章节介绍了常用的数据集以及评价指标，然后从语义分割、实例分割和部件分割三部分展开，分别给出了对应的文献以及关键贡献点。在这个数据集中，使用Matterport扫描仪在没有任何手动干预的情况下获得了完整的点云。该数据集由271个房间组成，属于来自3个不同建筑的6个大型室内场景（总面积6020平方米）。这些区域主要包括办公室、教育和展览空间以及会议室等。由静态地面激光扫描仪采集的总共约40亿个3D点组成，在真实世界的3D空间中覆盖160×240×30米。点云分为8类（如城市和农村），包含三维坐标、RGB信息和强度。与2D注释策略不同，3D数据标记很容易受到过度分割的影响，其中每个点都被单独分配给一个类标签。是一个大型户外数据集，包含28个类的去尾逐点注释。
【最新综述】史上最全面的3D语义分割综述（下） - CSDN博客
我们全面考察了利用深度学习技术进行三维分割的最新进展，包括三维语义分割、三维实例分割和三维部件分割。我们全面比较了每个类别中各种方法的性能和优点，并列出了潜在的研究方向。
2」三维点云语义分割和实例分割综述 – Yuhu Wang – Ph. D . . .
基于该基线，提出了ASIS 利用提出的ASIS方法，网络可以学习语义感知的实例嵌套，其中属于不同语义类的点的嵌入通过特征融合进一步自动分离。使得语义分割和实例分割两个任务可以互相借鉴，彼此提高对方的准确度
史上最全 | 基于深度学习的3D分割综述（RGB-D 点云体素多 . . .
本文全面调研了基于深度学习的3D分割的最新进展，涵盖了150多篇论文。论文总结了最常用的范式，讨论了它们的优缺点，并分析了这些分割方法的对比结果。并在此基础上，提出了未来的研究方向。
利用超点与 SAM 模型：SA3DIP 实现零样本 3D 实例分割！
在本文中，作者提出了一种名为SA3DIP（Segment Any 3D Instance with potential 3D Priors）的新颖方法，用于分割高质量的3D实例。具体而言，作者观察到具有相似法线的不同实例通常呈现不同的颜色。因此，作者引入了几何和纹理先验，以生成更细粒度的互补原语。如图1右上所示，作者的方法清楚地识别出黑板和墙壁之间的边界。这样，初始错误被最小化，从而减少了后续过程中的错误累积。此外，作者在合并阶段利用了3D先验，为过度分割的3D实例提供约束，这通过引入3D检测器实现。这种额外的3D先验使得对过度分割的3D实例进行校正成为可能，同时保留了处理细粒度物体的能力。
ICLR 2025 | 实时在线！清华、NTU提出适用于具身场景的3D . . .
在这篇文章中，来自清华大学的团队提出了 EmbodiedSAM，一个实时在线的 3D 分割一切模型。可以直接读入 RGB-D 流视频进行 efficient 且 fine-grained 的在线三维实例分割，这也是对团队之前 CVPR 2024 工作 Online3D 的一个延续（更快、更细！），代码、数据和模型权重均在 github 开源，欢迎访问。 EmbodiedSAM 的出发点来自于一个思考：具身智能需要什么形式的场景感知？考虑到最为普遍的具身场景是机器人在未知环境中同时完成对场景的探索和感知，我们认为一个好的具身感知模型应该具有四点性质：在线。不同于先重建再感知，在线意味着机器人一边读入 RGB-D 视频流，一边就要进行场景感知，在每一时刻对未来是不可知的；实时。
自顶向下优于自底向上：3D实例分割 | 论文 | HyperAI超神经
大多数3D实例分割方法采用自底向上的策略，通常包含资源消耗较大的后处理步骤。在点云分组方面，自底向上的方法依赖于关于物体的先验假设，以超参数形式表达，这些超参数具有领域特定性，需进行精细调参。