探索未触及的扫描，用于冲突感知的 3D 分割预训练
原文中文，约400字，阅读约需1分钟。发表于：。利用视觉基础模型，从未被开发的帧中精选 LiDAR 和图像配对，通过语义掩码标签设计交叉的跨模态冲突感知对比损失，提出了一种新颖的 LiDAR - 相机 3D 表示预训练方法，在三个主要自动驾驶公开数据集（nuScenes、SemanticKITTI 和 Waymo）的 3D 语义分割任务中相对于现有的最先进预训练框架提升了 3.0％〜3.3％的 mIoU。
该文章介绍了一种新型的三维无监督框架（UOV），通过学习未标注数据的点云表征，实现了高质量的点云分割。该框架结合了2D开放词汇模型和图像特征，采用了三模态对比预训练（TMP）和异态知识蒸馏的方法。实验证明，UOV在点云分割任务上表现优越，取得了创纪录的mIoU。同时，在微调阶段也取得了显著的结果。
