MIL-Transformer：弱监督点云分割新模型与性能研究

"本文介绍了基于多实例学习（MIL）的弱监督点云分割模型，结合Transformer架构来挖掘额外的监督信号。模型利用成对的云级监督，通过正包和负包的构建来区分同类和异类点云。同时，文章提出了自适应全局加权池（AdaGWP）来增强模型的鲁棒性，点二次采样和特征等方差正则化进一步提升了模型性能。该方法适用于各种类型的弱监督信号，如稀疏注释点和云级标签。实验证明，在S3DIS和ScanNet基准测试中，该方法达到了最先进的性能。" 在点云分割领域，准确的点级注释通常需要大量的人工努力，这成为了一个主要的挑战。为了解决这一问题，研究者们转向了弱监督学习，利用部分标注、子云级或场景级的注释来训练模型。本文提出的新方法是基于多实例学习（MIL）的Transformer模型，它能够利用点云之间的信息，而不仅仅是单个点云内部的信息。 Transformer模型在自然语言处理领域取得了显著的成功，而在这里，它被扩展到处理点云数据，特别是成对的点云。通过将点云配对，模型可以学习到不同类别点云之间的差异，形成正包（同类点云）和负包（异类点云），从而在弱监督环境下提取更多的监督信息。 为提高模型的鲁棒性和分割精度，作者引入了自适应全局加权池（AdaGWP）。这个模块替代了传统的最大池和平均池，通过学习到的权重对类激活图中的logits进行重新缩放，减少了噪声的影响，有助于在弱监督条件下发现更完整的前景点。 此外，点二次采样和特征等方差正则化是本文的另一个创新点。点二次采样可以减少计算复杂性，同时保持关键信息；特征等方差正则化则确保原始点云和采样点云之间的特征一致性，有助于模型的稳定训练。 该方法的端到端可训练性以及对多种弱监督信号的适应性使其具有广泛的应用潜力。在S3DIS和ScanNet这两个标准的点云分割基准测试中，提出的模型表现出了最先进的性能，证明了其有效性和实用性。源代码已公开，可供其他研究者和开发者参考和使用。