摘要
点云语义分割能够显著提升智能体的环境感知能力。然而，分割网络的判别能力受到各类别可用样本数量的影响，类别不平衡问题容易引发认知偏差。为缓解这一问题，本文提出一种新型方法——子空间原型引导（Subspace Prototype Guidance, SPG），以指导分割网络的训练。具体而言，首先根据类别将点云划分为独立的点集，为特征子空间的生成提供初始条件。辅助分支由编码器和投影头构成，负责将这些点集映射至各自独立的特征子空间。随后，从当前子空间中提取的特征原型，与历史子空间的原型相结合，共同引导主分支的特征空间，从而增强少数类别特征的判别能力。同时，主分支特征空间中提取的原型也被用于指导辅助分支的训练，形成闭环监督机制，确保整个网络的一致性收敛。在多个大型公开基准数据集（如 S3DIS、ScanNet v2、ScanNet200 和 Toronto-3D）以及真实世界采集数据上的实验结果表明，所提方法显著提升了分割性能，并超越了现有最先进方法。代码已开源，地址为：\url{https://github.com/Javion11/PointLiBR.git}。