64、Geodesic-Former：用于少样本3D点云实例分割的创新方法

Geodesic-Former：用于少样本3D点云实例分割的创新方法

1. 引言

在计算机视觉领域，3D点云处理一直是一个重要且具有挑战性的方向。本文聚焦于一个新的问题——少样本3D点云实例分割（3DFSIS）。给定少量标注的点云样例来定义一个目标类别，我们的目标是在查询点云中分割出该目标类别的所有实例。

与相关的视觉任务，如3D点云实例分割（3DIS）和3D点云少样本语义分割（3DF3S）相比，3DFSIS有着本质的不同：
- 与3DIS的区别 ：在3DIS中，训练和测试的类别是相同的，可以通过大量标注的训练样例学习一个实例分割器，然后应用到测试场景。但在3DFSIS中，训练和测试类别是不相交的。
- 与3DF3S的区别 ：3DF3S需要为每个点预测一个语义标签，而3DFSIS需要预测实例标签，即需要区分同一类别的不同实例。
- 与弱/半监督学习的区别 ：在3DIS的弱/半监督学习中，所有类别在训练时都是已知的，而在3DFSIS的训练中，新类别事先是未知的，模型需要在新类别出现时快速从少量样例中学习。

3DFSIS具有广泛的应用，包括自动驾驶和增强现实等领域。然而，3D点云学习面临着诸多挑战：
- 3D点云是无序的，密度不平衡（物体表面附近密集，其他地方稀疏）。
- 支持场景和查询场景之间在外观、大小和形状上的差异比2D图像大得多。在少样本设置下，这些挑战更加突出，因为标注3D点云需要逐点标注，而不是像2D图像那样标注近似多边形的实例掩码，所以很难将2D少样本实例分割方法直接应用到3DFSIS中。