論文の概要: DBGroup: Dual-Branch Point Grouping for Weakly Supervised 3D Instance Segmentation

• arxiv url: http://arxiv.org/abs/2511.10003v1
• Date: Fri, 14 Nov 2025 01:25:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.633078
• Title: DBGroup: Dual-Branch Point Grouping for Weakly Supervised 3D Instance Segmentation
• Title（参考訳）: DBGroup: 弱監視された3Dインスタンスセグメンテーションのためのデュアルブランチポイントグループ
• Authors: Xuexun Liu, Xiaoxu Xu, Qiudan Zhang, Lin Ma, Xu Wang,
• Abstract要約: 弱教師付き3Dインスタンスセグメンテーションは3Dシーン理解に不可欠である。 既存のメソッドは2つの弱い監視形式に依存している: 1-thing-one-lickアノテーションとバウンディングボックスアノテーションである。 我々は,2段階の弱教師付き3Dインスタンスセグメンテーションフレームワークである textbfDBGroup を提案する。
• 参考スコア（独自算出の注目度）: 12.044632781901088
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weakly supervised 3D instance segmentation is essential for 3D scene understanding, especially as the growing scale of data and high annotation costs associated with fully supervised approaches. Existing methods primarily rely on two forms of weak supervision: one-thing-one-click annotations and bounding box annotations, both of which aim to reduce labeling efforts. However, these approaches still encounter limitations, including labor-intensive annotation processes, high complexity, and reliance on expert annotators. To address these challenges, we propose \textbf{DBGroup}, a two-stage weakly supervised 3D instance segmentation framework that leverages scene-level annotations as a more efficient and scalable alternative. In the first stage, we introduce a Dual-Branch Point Grouping module to generate pseudo labels guided by semantic and mask cues extracted from multi-view images. To further improve label quality, we develop two refinement strategies: Granularity-Aware Instance Merging and Semantic Selection and Propagation. The second stage involves multi-round self-training on an end-to-end instance segmentation network using the refined pseudo-labels. Additionally, we introduce an Instance Mask Filter strategy to address inconsistencies within the pseudo labels. Extensive experiments demonstrate that DBGroup achieves competitive performance compared to sparse-point-level supervised 3D instance segmentation methods, while surpassing state-of-the-art scene-level supervised 3D semantic segmentation approaches. Code is available at https://github.com/liuxuexun/DBGroup.
• Abstract（参考訳）: 弱教師付き3Dインスタンスセグメンテーションは3Dシーン理解に不可欠である。 既存のメソッドは主に2つの弱い監視形式に依存している: 1-thing-one-lickアノテーションとバウンディングボックスアノテーションである。 しかしながら、これらのアプローチは、労働集約的なアノテーションプロセス、高い複雑さ、専門家アノテータへの依存など、制限に直面している。 このような課題に対処するために,シーンレベルのアノテーションをより効率的でスケーラブルな代替手段として活用する,2段階の弱教師付き3Dインスタンスセグメンテーションフレームワークである \textbf{DBGroup} を提案する。 最初の段階では、マルチビュー画像から抽出したセマンティック・マスク・キューによって案内された擬似ラベルを生成するために、デュアルブランチ・ポイント・グルーピング・モジュールを導入する。 ラベルの品質をさらに向上するため,グラニュラリティ・アウェア・インスタンス・マージとセマンティック・セレクション・プロパゲーションの2つの改良戦略を開発した。 第2段階は、洗練された擬似ラベルを用いたエンドツーエンドのインスタンスセグメンテーションネットワーク上でのマルチラウンド自己学習を含む。 さらに、擬似ラベル内の不整合に対処するためのインスタンスマスクフィルタ戦略を導入する。 広汎な実験により,DBGroupは,最先端のシーンレベルの3Dセマンティックセマンティックセマンティックセマンティックアプローチを超越しながら,スパースポイントレベルの3Dインスタンスセマンティックセマンティックセマンティック手法と比較して,競争力を発揮することが示された。 コードはhttps://github.com/liuxuexun/DBGroupで入手できる。

関連論文リスト

• BEEP3D: Box-Supervised End-to-End Pseudo-Mask Generation for 3D Instance Segmentation [28.97274092946373]
  3Dインスタンスのセグメンテーションは複雑な3D環境を理解するのに不可欠だが、完全に教師された手法では高濃度のポイントレベルのアノテーションを必要とする。 ボックスレベルのアノテーションは本質的に重複する領域の曖昧さを導入し、正確なポイント・ツー・インスタンスの割り当てを困難にしている。 最近の手法では、追加の訓練段階において、専用の擬似ラベルをトレーニングすることで擬似マスクを生成することで、この曖昧さに対処している。 BEEP3D-Boxによる3次元インスタンスセグメンテーションのためのエンドツーエンド擬似マスク生成を提案する。
  論文  参考訳（メタデータ） (2025-10-14T06:23:18Z)
• Weakly Supervised 3D Instance Segmentation without Instance-level Annotations [57.615325809883636]
  3Dセマンティックシーン理解タスクは、ディープラーニングの出現によって大きな成功を収めた。 本稿では,分類的セマンティックラベルのみを監督対象とする,弱制御型3Dインスタンスセマンティクス手法を提案する。 分類的セマンティックラベルから擬似インスタンスラベルを生成することで,アノテーションコストの低減で既存の3Dインスタンスセグメンテーションの学習を支援することができる。
  論文  参考訳（メタデータ） (2023-08-03T12:30:52Z)
• You Only Need One Thing One Click: Self-Training for Weakly Supervised 3D Scene Understanding [107.06117227661204]
  私たちはOne Thing One Click''を提案する。つまり、アノテーションはオブジェクトごとに1つのポイントをラベル付けするだけです。 グラフ伝搬モジュールによって促進されるトレーニングとラベル伝搬を反復的に行う。 我々のモデルは、ポイントクラスタリング戦略を備えた3Dインスタンスセグメンテーションと互換性がある。
  論文  参考訳（メタデータ） (2023-03-26T13:57:00Z)
• Learning Inter-Superpoint Affinity for Weakly Supervised 3D Instance Segmentation [10.968271388503986]
  本稿では,各インスタンスに1点だけアノテートすることで,優れたパフォーマンスを実現する3Dインスタンスセグメンテーションフレームワークを提案する。 本手法は,弱教師付きポイントクラウドインスタンスセグメンテーションタスクにおける最先端性能を実現し,完全教師付き手法よりも優れる。
  論文  参考訳（メタデータ） (2022-10-11T15:22:22Z)
• Collaborative Propagation on Multiple Instance Graphs for 3D Instance Segmentation with Single-point Supervision [63.429704654271475]
  本稿では,1つのオブジェクトを1つのポイントでラベル付けするだけでよい,弱教師付き手法RWSegを提案する。 これらの疎いラベルにより、セマンティック情報とインスタンス情報を伝達する2つの分岐を持つ統一的なフレームワークを導入する。 具体的には、異なるインスタンスグラフ間の競合を促進するクロスグラフ競合ランダムウォークス(CRW)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-10T02:14:39Z)
• SegGroup: Seg-Level Supervision for 3D Instance and Semantic Segmentation [88.22349093672975]
  アノテーションの場所を示すためにインスタンス毎に1つのポイントをクリックするだけでよい、弱い教師付きポイントクラウドセグメンテーションアルゴリズムを設計します。 事前処理のオーバーセグメンテーションにより、これらの位置アノテーションをセグレベルのラベルとしてセグメントに拡張する。 seg-level supervised method (SegGroup) は、完全注釈付きポイントレベルのsupervised method で比較結果が得られることを示した。
  論文  参考訳（メタデータ） (2020-12-18T13:23:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。