MaskGroup：用于3D实例分割的分层点分组与掩码方法

本文研究了三维实例分割问题，该问题在机器人学、增强现实等众多实际应用场景中具有重要意义。由于三维物体周围环境具有高度复杂性，不同物体之间的分离尤为困难。为应对这一挑战，本文提出了一种新颖的框架，用于对三维实例进行分组与精细化处理。具体而言，首先为每个点学习一个偏移向量，并将其移动至其预测的实例中心。为进一步优化点的分组效果，本文提出一种分层点分组（Hierarchical Point Grouping）算法，逐步合并集中于中心位置的点。所有点首先被聚类为若干小簇，随后通过进一步的聚类过程逐步合并为更大的组。这些多尺度的聚类结果被用于实例预测，有助于提升对不同尺度实例的建模能力。此外，本文还设计了一种新型的MaskScoreNet，用于生成上述聚类组的二值点掩码，以进一步优化分割结果。在ScanNetV2与S3DIS两个基准数据集上的大量实验表明，所提出方法具有显著有效性。例如，在ScanNetV2测试集上，该方法在0.5交并比（IoU）阈值下取得了66.4%的平均精度（mAP），较当前最优方法提升了1.9个百分点。