摘要
现有的最先进3D实例分割方法通常采用“语义分割后分组”的范式。在进行语义分割时，模型会做出硬性预测，即每个点仅被分配至单一类别。然而，这种硬性决策所引入的误差会传播至后续的分组阶段，导致两个主要问题：(1) 预测实例与真实标注之间的重叠率较低；(2) 产生大量假阳性实例。为解决上述问题，本文提出一种名为SoftGroup的3D实例分割方法，该方法采用自底向上的软分组策略，随后通过自顶向下的精炼机制进行优化。SoftGroup允许每个点同时关联多个类别，从而缓解因语义预测错误带来的负面影响，并通过学习将假阳性实例识别为背景类别，有效抑制其产生。在多个数据集及多种评估指标下的实验结果表明，SoftGroup具有显著优越性：在ScanNet v2隐藏测试集上，其AP_50指标较最强的先前方法提升6.2%；在S3DIS Area 5数据集上，提升幅度达6.8%。此外，SoftGroup具有较高的推理效率，在单张Titan X显卡上处理每帧扫描仅需345毫秒。本文提供的源代码与训练模型已公开，可访问GitHub仓库：\url{https://github.com/thangvubk/SoftGroup.git}。