摘要

实例分割是场景理解中的关键任务。与高度成熟的2D实例分割相比，基于点云的3D实例分割仍有较大提升空间。本文提出PointGroup，一种全新的端到端自底向上架构，专注于通过探索物体之间的空隙空间来实现更优的点聚类。我们设计了一个双分支网络，用于提取点特征并预测语义标签及偏移量，以将每个点向其所属实例的质心方向移动。随后引入聚类模块，同时利用原始点坐标与经偏移调整后的点坐标集合，充分发挥二者在表征上的互补优势。此外，我们进一步构建ScoreNet对候选实例进行评分，并结合非极大值抑制（Non-Maximum Suppression, NMS）策略去除重复检测结果。我们在两个具有挑战性的数据集ScanNet v2和S3DIS上进行了大量实验，结果表明，所提方法在mAP（IoU阈值为0.5）指标上分别达到63.6%和64.0%，显著优于此前最优方法的54.9%和54.4%。