SAT：面向3D点云语义分割的尺寸感知Transformer

Transformer模型在点云分割任务中已取得令人瞩目的性能表现。然而，现有的大多数注意力机制对所有点采用相同的特征学习范式，未能充分考虑场景中物体尺寸的巨大差异。为此，本文提出了一种尺寸感知Transformer（Size-Aware Transformer, SAT），能够为不同尺寸的物体自适应地构建有效的感受野。SAT通过两个关键步骤实现尺寸感知学习：在每一注意力层中引入多尺度特征，并使每个点能够自适应地选择其关注区域。SAT包含两项核心设计：多粒度注意力（Multi-Granularity Attention, MGA）机制与重注意力（Re-Attention）模块。MGA机制旨在解决两个关键挑战：高效聚合远距离区域的特征信息，以及在单个注意力层内保持多尺度特征表达。具体而言，本文提出点-体素交叉注意力以应对远距离特征聚合问题；同时，采用基于标准多头自注意力的分流策略（shunted strategy）来有效保留多尺度特征。随后，重注意力模块动态调整MGA输出的细粒度与粗粒度特征对应的注意力分数，进一步提升特征表达能力。大量实验结果表明，SAT在S3DIS和ScanNetV2两个主流数据集上均达到了当前最优（state-of-the-art）的分割性能。此外，SAT在各类别间的性能表现最为均衡，充分体现了其在建模不同尺寸类别物体方面的优越性。本文所提出的代码与模型将在论文正式录用后公开发布。