PartSTAD: 二维到三维零部件分割任务适应
内容提要
该文综述多项3D点云与医学图像研究：ST3D实现无监督域自适应3D检测；MA-SAM等将2D模型适配3D医学分割；SATR用2D检测器做零样本3D形状分割；SSDA3D进行半监督域自适应；ADAS实现多目标域适应；Part-A²net提升LiDAR检测；2D3DNet用2D标注训练3D分割。
延伸解读
从2D到3D的适应策略差异
文章列举了多种将2D模型或标注迁移到3D任务的方法，但策略不同：MA-SAM在2D编码器中注入3D适配器，直接学习第三维信息；2D3DNet则利用多视角融合生成伪标签，用2D标注训练3D分割。前者依赖模型结构改造，后者依赖数据伪标签，读者需注意两者对标注数据和计算资源的不同要求。
无监督与半监督域自适应的取舍
ST3D实现无监督域自适应，SSDA3D则采用半监督方式，仅用10%目标标注即可超过100%标注的监督模型。这提示实际应用中，少量目标域标注可能带来显著收益，但SSDA3D依赖Point-CutMix和域内泛化模块，其效果与目标域数据分布相关，并非所有场景都能直接套用。
零样本3D分割的边界与前提
SATR利用现成2D检测器做零样本3D形状分割，核心是从多视角边界框预测中提取拓扑属性。虽然它在FAUST和ShapeNetPart上mIoU领先至少22%，但该方法针对形状分割，且依赖底层表面拓扑，对于复杂场景或非刚性物体，其泛化能力仍需验证，不宜直接推广到所有3D分割任务。
Q&A
ST3D 是如何实现点云 3D 目标检测的无监督域自适应的？
ST3D 提出了一种域自适应自训练流水线，通过特定设计使检测器能够与一致且高质量的伪标签进行训练，并避免过度拟合伪标记数据中大量的易样本，从而在多个评估数据集上达到领先性能，甚至超过了 KITTI 3D 目标检测基准的全监督结果。
MA-SAM 如何将 2D 模型适配到 3D 医学图像分割？
MA-SAM 是一种模态无关的 SAM 适应框架，通过在图像编码器的转换器块中注入一系列 3D 适配器，使预训练的 2D 主干网络能够从输入数据中提取第三维信息。在多个医学数据集上，该方法在不使用提示的情况下优于 nnU-Net 等最先进的三维方法。
SATR 算法在零样本 3D 形状分割中有什么创新？
SATR 利用现成的 2D 目标检测器进行零样本 3D 形状分割，核心发现是使用底层表面的拓扑属性可以从多视角边界框预测中提取精确的 3D 分割图。在 FAUST 和 ShapeNetPart 基准上，SATR 实现了最新性能，平均 mIoU 至少优于之前工作 22%。
SSDA3D 半监督域自适应方法在标注数据有限时表现如何？
SSDA3D 包含两阶段的 Point-CutMix 模块和 Intra-domain Generalization，能解决不同 LiDAR 配置、城市和天气等领域间偏移问题。在只有 10% 目标数据标注的情况下，其性能可以超过使用 100% 目标标签的完全监督模型。
ADAS 如何实现多目标域适应？
ADAS 通过设计多目标域转移网络（MTDT-Net），使用目标自适应去标准化（TAD）模块将源域特征转移到目标域，同时使用双向自适应区域选择（BARS）减少类标签之间的歧义。MTDT-Net 和 BARS 的协作使 ADAS 在多目标域适应中取得了最先进的性能。
2D3DNet 如何仅使用 2D 图像标注训练 3D 语义分割模型？
2D3DNet 使用多视角融合来生成伪标签，并解决了选择可信伪标签、较少目标分类以及在训练过程中如何脱离 2D 图像等问题。实验表明，该网络在一个新的城市数据集上显著优于基线方法。
