摘要
3D实例分割是场景理解中的基础任务，在机器人学与增强现实/虚拟现实（AR/VR）等领域具有广泛应用。近年来，众多无需候选框（proposal-free）的方法在该任务上取得了显著成果，并展现出高效性。然而，这些方法高度依赖实例中心点回归，且未显式检测物体边界，因此在某些场景下可能将邻近物体错误地归为同一聚类。本文提出了一种新概念——“区域纯度”（regional purity），定义为在固定半径的3D空间内，邻近点中属于同一实例的比例。直观上，该指标反映了某一点位于物体边界区域的可能性。为验证预测区域纯度的可行性，我们设计了一种基于现有训练数据构建随机场景模拟数据集的策略。此外，利用此类模拟数据进行区域纯度学习，是一种“免费”的数据增强方式，无需额外采集真实数据，从而减轻了数据获取负担。为此，我们提出了区域纯度引导网络（Regional Purity Guided Network, RPGN），该网络包含独立分支以分别预测语义类别、区域纯度、偏移量及物体尺寸。预测得到的区域纯度信息被用于指导聚类算法。实验结果表明，引入区域纯度能够有效同时缓解聚类过程中的欠分割（under-segmentation）与过分割（over-segmentation）问题。