摘要

3D语义分割在理解三维场景中扮演着基础且关键的角色。尽管当前最先进的技术主要聚焦于通过通用评价指标（如mIoU、mAcc和oAcc）提升3D语义分割的整体性能，但这些方法往往忽视了对分割难题区域的深入探索。本文从更细粒度的视角重新审视3D语义分割，揭示了通常被宏观性能指标所掩盖的细微复杂性。具体而言，我们系统地将3D语义分割的错误划分为四类综合性类别，并为每一类设计了相应的评估指标。基于这一分类框架，本文提出了一种创新的3D语义分割网络——BFANet，该模型引入了对语义边界特征的精细化分析。首先，我们设计了边界-语义模块，将点云特征解耦为语义特征与边界特征，并通过融合其查询队列，利用注意力机制增强语义特征表达。其次，我们提出了一种更为简洁高效的边界伪标签计算算法，其速度比当前最先进方法快3.9倍，同时兼容数据增强策略，显著提升了训练过程中的计算效率。在多个基准数据集上的大量实验验证了BFANet模型的优越性能，充分证明了所设计四类专用评估指标的重要意义。代码已开源，地址为：https://github.com/weiguangzhao/BFANet。