GVC-Seg：无需训练 通过几何视觉对应进行 3D 实例分割

点云数据中准确的 3D 实例分割对于机器视觉应用至关重要。最近的进展利用多个预先训练的基础模型来生成 3D 提案，然后应用提案聚合方法，从而显着提高性能。然而，由于不同分割模型的置信水平存在固有差异，它们通常会产生次优结果，从而导致对置信度较高的模型产生偏差。这种偏差本质上是依赖于模型的，并且受到数据预处理技术和训练策略等因素的影响。为了解决这种偏差，我们提出了一种新颖的通过几何视觉对应（GVC-Seg）的 无需训练 3D 实例分割方法，该方法利用 3D 几何线索和 2D 视觉线索之间的对应关系来减轻置信偏差。此外，在实例掩码生成和实例语义推理过程中分别引入了 3D 提议生成模块和掩码感知 CLIP 特征提取模块。通过这种方式，GVC-Seg 增强了提案质量评估，确保跨不同模型的无偏差集成学习。大量的实验表明，我们的方法在几个具有挑战性的基准上实现了最先进的性能，同时在开放词汇语义分割设置中也表现出了强大的潜力。