摘要

现有的3D实例分割方法主要采用自底向上的设计范式——即通过人工调优的算法将点云分组为簇，再由精炼网络进行优化。然而，这类方法严重依赖于簇的质量，在以下两种情况下表现脆弱：（1）语义类别相同的邻近物体被紧密包裹在一起；（2）具有松散连接区域的大尺寸物体。为解决上述局限，我们提出ISBNet，一种全新的无簇（cluster-free）方法。该方法将实例表示为卷积核，并通过动态卷积解码实例掩码。为高效生成高召回率且具有区分性的核，我们提出一种简单而有效的策略——实例感知最远点采样（Instance-aware Farthest Point Sampling），用于候选核的采样，并借鉴PointNet++中的局部聚合模块来编码候选特征。此外，我们进一步证明，在动态卷积中预测并利用3D轴对齐边界框可显著提升性能。在ScanNetV2（AP 55.9）、S3DIS（AP 60.8）和STPLS3D（AP 49.2）三个基准数据集上，本方法取得了新的最先进性能，同时保持了快速的推理速度（在ScanNetV2上每场景仅需237ms）。项目源代码与训练好的模型已公开，详见：https://github.com/VinAIResearch/ISBNet。