摘要

我们提出了3D-MPA，一种用于3D点云实例分割的方法。对于给定的输入点云，我们提出了一种以对象为中心的方法，其中每个点都会为其所属的对象中心投票。我们从预测的对象中心中采样生成对象提案。然后，我们从投票给同一对象中心的分组点特征中学习提案特征。图卷积网络引入了提案之间的关系，除了低级别的点特征外，还提供了高级别的特征学习。每个提案包含一个语义标签、一组定义前景-背景掩码的相关点、一个对象得分以及聚合特征。以往的工作通常通过对提案执行非极大值抑制（NMS）来获得最终的对象检测或语义实例。然而，NMS可能会丢弃潜在正确的预测结果。相比之下，我们的方法保留所有提案，并根据学习到的聚合特征将它们分组在一起。我们展示了在ScanNetV2基准和S3DIS数据集上，通过分组提案的方法在3D对象检测和语义实例分割任务中优于NMS，并且超过了之前最先进的方法。