EFECL对比学习检测框架

坏提案也能稳检

通过实例级与类别级双重对比学习对齐完整与残缺提案，使室内三维目标检测在提案质量差时仍保持稳健。

Duan, Yao · Yi, Renjiao · Yuanming, Gao · 徐凯 · Zhu, Chenyang

Computational Visual Media 2023

技术优势

坏提案也能用

通过对比学习将完整提案与不完整/含噪提案在特征空间对齐，即使初始提案质量差也能构建稳健的3D表示。

精度大幅提升

在ScanNet V2上提升12.3%，SUN RGB-D上提升7.3%，增幅远超基准替代方案。

开箱即用

代码和模型已公开，可直接获取并集成到现有检测流程中。

应用场景

• 3D目标检测：替换现有检测器，在提案质量差时仍保持高精度。
• 室内场景理解：在复杂室内几何变化下，仍能稳健地解析场景中的物体。
• 机器人感知：提升机器人在室内环境中的感知可靠性，即使初始检测不完整。
• 增强现实：为AR提供更准确的室内物体定位，减少因噪声提案导致的误差。