Apprentissage de la segmentation d'instances gaussiennes dans les nuages de points

Cet article présente une nouvelle méthode pour la segmentation d'instances sur nuages de points 3D. La méthode proposée, nommée Gaussian Instance Center Network (GICN), permet d'approximer les distributions des centres d'instances répartis dans toute la scène par des cartes de chaleur de centres gaussiennes. À partir des cartes de chaleur prédites, un petit nombre de candidats de centres peut être sélectionné facilement et efficacement pour les prédictions ultérieures, notamment : i) prédire la taille de chaque centre afin de déterminer une plage pour l'extraction des caractéristiques, ii) générer des boîtes englobantes pour chaque centre, et iii) produire les masques d'instances finaux. GICN est une architecture à une seule étape, sans ancres et end-to-end, facile à entraîner et efficace en phase d'inférence. Grâce au mécanisme piloté par les centres et à la sélection adaptative de la taille des instances, notre méthode atteint des performances de pointe sur la tâche de segmentation d'instances 3D sur les jeux de données ScanNet et S3DIS.