摘要
点云分割在理解三维环境方面具有基础性作用。然而，现有的三维点云分割方法在场景边界处的分割性能通常较差，这会显著降低整体分割效果。本文聚焦于场景边界的分割问题。为此，我们首先探讨了用于评估场景边界分割性能的度量指标。为解决边界处表现不佳的问题，我们进一步提出了一种新颖的对比边界学习（Contrastive Boundary Learning, CBL）框架，用于点云分割。具体而言，所提出的CBL框架通过在多尺度场景上下文的辅助下，对比边界两侧点的特征表示，增强跨边界点之间的特征区分能力。在三种不同的基线方法上应用CBL后，实验结果表明，CBL能够持续提升各基线模型的性能，显著改善其在边界区域的分割表现，同时提升整体分割效果（如mIoU指标）。实验结果充分验证了所提方法的有效性，也凸显了边界信息在三维点云分割中的重要性。代码与模型将公开发布于：https://github.com/LiyaoTang/contrastBoundary。