Kugelförmige Maske: Grob-zu-fein 3D-Punktewolken-Instanzsegmentierung mit kugelförmiger Darstellung

Coarse-to-fine 3D-Instanzsegmentierungsmethoden zeigen schwache Leistungen im Vergleich zu aktuellen Gruppierungs-, Kern- und Transformer-basierten Methoden. Wir argumentieren, dass dies auf zwei Einschränkungen zurückzuführen ist: 1) Überdimensionierung der Instanzgröße durch achsenparallele Begrenzungsboxen (AABB) 2) Akkumulation von Fehlern bei falschen Negativen von ungenauen Boxen bis zur Verfeinerungsphase. In dieser Arbeit stellen wir Spherical Mask vor, einen neuen Coarse-to-fine-Ansatz basierend auf sphärischer Darstellung, der diese beiden Einschränkungen mit mehreren Vorteilen überwindet. Insbesondere schätzt unsere grobe Detektion jede Instanz mittels eines 3D-Polygons unter Verwendung von Zentrumsvorhersagen und radialen Distanzen, was die übermäßige Größenabschätzung durch AABB vermeidet. Um die Fehlerfortpflanzung in den bestehenden Coarse-to-fine-Methoden zu reduzieren, migrieren wir virtuell Punkte basierend auf dem Polygon, wodurch alle Vordergrundpunkte, einschließlich falscher Negativergebnisse, verfeinert werden können. Während der Inferenz laufen die Moduln für Vorschläge und Punkt-Migration parallel und werden zusammengesetzt, um binäre Masken der Instanzen zu bilden. Wir führen außerdem zwei margenbasierte Verlustfunktionen für die Punkt-Migration ein, um Korrekturen bei falschen Positiven/Negativen und Kohäsion der Vordergrundpunkte durchzusetzen, was die Leistung erheblich verbessert. Experimentelle Ergebnisse aus drei Datensätzen wie ScanNetV2, S3DIS und STPLS3D zeigen, dass unser vorgeschlagener Ansatz bestehende Arbeiten übertreffen kann und somit die Effektivität der neuen Instanzdarstellung mit sphärischen Koordinaten demonstriert. Der Code ist unter folgendem Link verfügbar: https://github.com/yunshin/SphericalMask