点云中3D实例分割的学习对象边界框

我们提出了一种新颖、概念简单且通用的三维点云实例分割框架。该方法称为3D-BoNet，遵循每点多层感知机（MLP）的简洁设计哲学。该框架直接为点云中的所有实例回归三维边界框，同时预测每个实例的点级掩码。它由一个主干网络和两个并行的网络分支组成，分别用于1）边界框回归和2）点掩码预测。3D-BoNet是一个单阶段、无锚点且端到端可训练的模型。此外，它的计算效率显著提高，因为与现有方法不同，它不需要任何后处理步骤，如非极大值抑制、特征采样、聚类或投票。大量实验表明，我们的方法在ScanNet和S3DIS数据集上均超越了现有工作，同时计算效率提高了约10倍。详尽的消融研究进一步证明了我们设计的有效性。