面向模态无关的标签有效分割：基于熵正则化的分布对齐
内容提要
本文探讨了在3D点云中应用近似凸分解（ACD）进行自我监督训练的方法，展示了其在无监督表示学习和少样本分割中的优越性能。同时，提出了伪标签辅助的半监督分割策略和主动学习方法，有效降低了标注成本。研究还分析了点云数据学习的标注效率，讨论了当前面临的挑战及未来发展方向。
延伸解读
标注效率：点云分割的核心挑战
文章指出，点云语义分割面临高标注成本问题，并系统梳理了四类降低标注成本的方法：数据增强、域迁移学习、弱监督学习和预训练基础模型。这些方法从不同角度减少对全监督标注的依赖，为实际应用提供了可行路径。读者可据此理解当前研究如何平衡性能与标注开销。
弱监督与半监督：用少量标签逼近全监督
文章介绍了多种弱监督和半监督策略，如伪标签辅助训练、自适应阈值生成伪标签、整体场景标注预测点级标签等。这些方法在ISPRS、ScanNet、S3DIS等数据集上取得了与全监督相当的性能，表明利用少量弱标签或场景级标签即可实现高效分割，显著降低标注需求。
主动学习：以有限预算选择最有价值样本
针对标注成本限制，文章提出基于超点的主动样本选择方法，并利用局部一致性约束提升性能。实验表明，在有限预算下，超点级选择比点级和实例级更有效。这为实际场景中如何分配标注资源提供了参考，即优先选择信息量大的区域进行标注。
多模态与2D到3D迁移：拓展3D场景理解
文章还探讨了通过2D语义分割预测投影到3D空间、引入语义标签融合策略来提升3D场景理解，以及多模态全景分割网络中的新型数据增强和实例位置-尺度学习模块。这些方法在SemanticKITTI和nuScenes等数据集上优于现有技术，展示了跨模态学习在3D分割中的潜力。
Q&A
近似凸分解（ACD）在3D点云学习中的作用是什么？
近似凸分解（ACD）提供了一种极佳的自我监督信号，能够有效学习3D点云表示，并在无监督表示学习和少样本分割任务中表现优越。
伪标签辅助的半监督分割策略是如何工作的？
该策略通过融合不同来源和强数据增强生成有效实验结果，利用少量弱标签以低成本获得与全监督方案相同的结果。
主动学习方法在点云分割中的优势是什么？
主动学习方法通过限制注释费用选择样本，基于超点的选择方法在有限预算下更有效，能够降低标注成本。
如何解决点云数据中的标签噪声问题？
通过基于点噪声自适应学习的框架，采用可靠标签点选择和投票策略的集群微调方法，有效解决标签噪声问题。
文章中提到的降低点云标注成本的方法有哪些？
文章分类了四种降低标注成本的方法：数据增强、域迁移学习、弱监督学习和预训练基础模型。
新框架如何提升3D场景理解能力？
新框架通过将2D语义分割预测投影到3D空间，并引入语义标签融合策略，提升了3D场景理解能力。
