摘要
针对3D形状分割的深度学习方法通常被表述为一个多类标签问题。现有的模型都是针对一组固定的标签进行训练，这极大地限制了它们的灵活性和适应性。我们选择自上而下的递归分解方法，并开发了首个基于递归神经网络的3D形状层次分割深度学习模型。从以点云形式表示的完整形状开始，我们的模型执行递归二元分解，其中层次结构中所有节点的分解网络共享权重。在每个节点处，训练一个节点分类器来确定其分解的类型（邻接或对称）和停止条件。高层节点提取的特征会递归地传播到低层节点。因此，高层中的有意义分解为低层的分割提供了强有力的上下文线索约束。同时，为了提高每个节点的分割精度，我们通过增强递归上下文特征与相应部分提取的形状特征相结合的方法来提升性能。我们的方法可以将点云中的3D形状分割成数量不固定的多个部分，具体取决于形状的复杂度，显示出强大的通用性和灵活性。该方法在公共基准测试集以及本研究提出的一个新的细粒度分割基准测试集中均达到了最先进的性能水平，无论是在细粒度分割还是语义分割方面。此外，我们还展示了该方法在图像到形状重建中的细粒度部件精炼应用。