现有的3D实例分割方法主要由自下而上的设计-手动微调算法将点聚合到clusters中，然后是细化网络。然而，通过依赖于clusters的质量（quality），当（1）具有相同语义类的邻近对象被打包在一起，或者（2）具有松散连接区域的大对象时，这些方法生成易受影响的结果。为了解决这些局限性，本文引入了ISBNet，一种新颖的cluster-free方法，它将实例表示为kernels，并通过动态卷积解码实例掩码。高效地生成高召回率和区分性的kernels，提出一种简单的实例感知最远点采样策略对候选特征进行采样，并利用PointNet++的局部聚集层对候选特征进行编码。此外，本文还表明，预测和利用动态卷积中的3D轴对齐边界框可以进一步提高性能。本文的方法在ScanNetV2（55.9），S3DIS（60.8）和STPLS3D（49.2）上设置了新的最先进的结果，并保留了快速的推理时间（ScanNetV 2上每个场景237 ms）。

强烈推荐！自动驾驶与AI学习社区：欢迎加入国内首个自动驾驶开发者社区！这里有最全面有效的自动驾驶与AI学习路线（感知/定位/融合）和自动驾驶与AI公司内推机会！

本文提出了ISBNet，一个cluster-free范式的3DIS，利用实例感知(Instance-aware)最远点采样和点聚合器生成一个实例特征集。

本文首先介绍使用轴对齐的bounding box作为辅助监督，并提出了盒感知(Box-aware)的动态卷积解码实例二进制掩码(instance binary masks)。

ISBNet在三个不同的数据集上实现了最先进的性能：ScanNetV2、S3DIS和STPLS3D，而无需对每个数据集的模型架构和超参数调整进行全面修改。

图2。DyCo3D [16] (block (a))的总体架构和本文提出的3DIS方法(block (b))。给定一个点云，使用一个3D主干来提取每个点的特征。对于DyCo3D，它首先根据每个点的预测目标质心将点聚合（group) 成clusters，为每个clusters生成一个kernel。同时，掩码头将逐点特征转换为动态卷积的掩码特征。对于本文的ISBNet方法，本文使用一种新的基于采样的实例式编码器来代替聚类算法，以获得更快、更鲁棒的kernel、box和类预测。此外，一个point-wise预测器取代了DyCo3D的掩码头，来输出掩码和盒特征，用于新的盒感知动态卷积，以生成更精确的实例掩码。

图1。在DyCo3D[16]中，基于中心点的聚类算法对核预测质量有很大的影响，其存在两个问题:1是对附近实例的错误分组，2是将一个大的目标过度分割成多个碎片。本文的方法通过实例感知的点采样解决了这些问题，取得了更好的结果。每个样本点都从其本地上下文聚合信息，以生成用于预测其自己的目标掩码的kernel，最终实例将由NMS筛选和选择。

建了自动驾驶之心占用栅格交流群！想要进交流群的同学，可以直接加微信号：AIDriver001。加的时候备注一下：占用栅格+学校/公司+昵称，即可。然后就可以拉你进群了。

自动驾驶之心 | CVPR2023 | Hidden Gems: 使用跨模态监督的4D雷达场景流学习

自动驾驶之心 | nuScenes SOTA！SurroundOcc：面向自动驾驶的纯视觉3D占据预测网络（清华&天大）

自动驾驶之心 | CVPR2023 | 让自动驾驶一骑绝尘！BEV-LaneDet：暴涨十个点，单目3D车道线新SOTA！

自动驾驶之心 | 最新SOTA！LAformer：具有车道感知场景约束的自动驾驶轨迹预测

自动驾驶之心 | ICRA 2023最新！自动驾驶传感器高效部署新方法！

自动驾驶之心 | CVPR2023 | 用于多模态3D目标检测的虚拟稀疏卷积（KITTI SOTA）

自动驾驶之心 | 面向交通场景的无标定BEV表示（清华&北航）

自动驾驶之心 | 大盘点！自动驾驶中基于Transformer的单目BEV感知

自动驾驶之心 | 又快又好！DFR-FastMOT：基于传感器融合的多目标跟踪新思路

自动驾驶之心 | MixVPR:用于视觉场所识别的特征混合

自动驾驶之心 | 60多篇BEV算法你都知道吗？2023最新环视自动驾驶3D检测综述！