跨域融合3D分割网络

跨域分割精度更高

该模型结合2D与3D特征实现跨模态正蒸馏，同时利用去偏伪标签自训练，在无监督与半监督设置下均达到领先的3D语义分割精度。

Yao, Wu · Mingwei, Xing · Zhang, Yachao · 谢源 · 彭凯贝 · 曲延云

IEEE Transactions on Circuits and Systems for Video Technology 2025

技术优势

充分利用模态互补

通过模型无关的特征融合模块生成跨模态融合表示，并最大化模态间相关性与互补性，为后续蒸馏提供更丰富的信息。

同时对齐域与模态

跨模态正蒸馏保留多模态输入的完整信息，将源域语义与目标域风格结合，实现域-模态联合对齐。

伪标签更可靠

通过自训练方式建模伪标签不确定性，减少错误标签对模型的误导。

应用场景

• 3D语义分割模型：用于跨域3D语义分割，直接部署或微调模型。
• 机器人环境感知：提升机器人在新环境中对点云场景的理解能力。
• 无人机场景理解：帮助无人机在跨域场景下实现准确的3D语义分割。
• 多模态融合感知：融合2D图像与3D点云，增强感知鲁棒性。
• 领域自适应算法：提供无监督与半监督域适应新算法。