鉴于目前2D图像的划分已经有比较成功的方法，研究团队决定从2D图像入手。

首先，把3D点云转换为对应的2D图像，然后作为2D多模态⼤模型的输⼊，并从中提取对于图像的语⾔描述。

紧接着，利⽤图⽚和点云之间的投影关系，图⽚的语言描述也就自然能够关联到 3D点云数据了。

并且，为了兼容 不同粒度的3D物体，PLA还提出了 多粒度的3D点云-⾃然语⾔关联方法。

对于整个3D场景⽽⾔，PLA将场景对应所有图⽚提取的语⾔描述进⾏总结，并⽤这个总结后的语⾔关联整个3D场景。

对于每个图像视⻆对应的部分3D场景⽽⾔，PLA直接利⽤图像作为桥梁来关联对应的3D点云和语⾔。

对于更加细粒度的3D物体⽽⾔，PLA通过⽐较不同图像对应点云之间的交集和并集，以及语⾔描述部分的交集和并集，提供了⼀种更加细粒度的3D-语⾔关联⽅式。

这样一来，研究团队就能够得到成对的 3D点云-⾃然语⾔，这一把直接解决了人工标注的问题。

PLA用得到的“3D点云-⾃然语⾔”对和已有的数据集监督来让3D模型理解检测和分割问题定义。

具体来说，就是利⽤ 对⽐学习来拉近每对3D点云-⾃然语⾔在特征空间的距离，并推远不匹配的3D点云和⾃然语⾔描述。

讲了这么多原理，那PLA在具体分割任务中表现到底如何？

语义分割任务超越基准65%

研究⼈员通过测试3D开放世界模型在未标注类别的性能作为主要衡量标准。

先是在ScanNet和S3DIS的语义分割任务上，PLA超过以前的基线⽅法35%～65%。

在实例分割任务中，PLA也有提升，对比之前的方法，PLA提升幅度15%～50%不等。

研究团队

这个项目的研究团队来自香港大学的CVMI Lab和字节跳动。

CVMI Lab是香港大学的一个人工智能实验室，实验室2020年2月1日成立。

论⽂地址:

https://arxiv.org/pdf/2211.16312.pdf

项⽬主⻚:

https://github.com/CVMI-Lab/PLA

— 完 —

量子位 QbitAI · 头条号签约

关注我们，第一时间获知前沿科技动态返回搜狐，查看更多