FoundObj：自监督基础模型作为无标签 3D 对象分割的奖励

我们解决了复杂场景点云中 3D 对象分割的挑战性任务，在训练期间不依赖任何场景级人类注释。现有方法通常仅限于识别简单对象，这主要是由于学习过程中对象先验不足。在本文中，我们提出了 FoundObj，这是一种新颖的框架，具有基于超点的对象发现代理，在我们创新的语义和几何奖励模块的指导下，逐步合并合适的相邻超点。这些模块协同利用来自自监督 2D/3D 基础模型的语义和几何先验，为对象发现代理提供补充反馈，并通过强化学习实现多类对象的稳健识别。对不同基准的广泛实验表明，我们的方法始终优于现有基准。值得注意的是，我们的方法在零样本和长尾场景中表现出很强的泛化能力，强调了其可扩展、无标签 3D 对象分割的潜力。