DQFormer：面向统一的激光雷达全景分割与解耦查询
内容提要
本文介绍了多种基于LiDAR的全景分割方法，如Panoster、EfficientLPS和Panoptic-PolarNet，旨在解决点云分割中的遮挡和稀疏性问题。这些方法通过创新架构和算法在多个数据集上实现了先进效果，推动了全景分割技术的发展。
延伸解读
技术演进：从专用方法到统一框架
文章梳理了LiDAR全景分割的发展脉络：早期方法如Panoster、EfficientLPS和Panoptic-PolarNet针对特定挑战（如稀疏性、遮挡）设计专用架构；随后出现无需提案的pillar-based方法和Panoptic-PHNet等高效框架；近期则趋向统一端到端方案，如Panoptic-PartFormer和Mask4D，直接预测语义实例及其关联。这一演进反映了领域从模块化设计向整体优化、从静态分割向4D动态理解的转变。
性能提升与效率优化的平衡
文章提到多个方法在提升精度的同时注重效率。例如，Panoptic-PartFormer在Pascal Context PPS数据集上实现了10%的改进，并减少至少70% GFlops和50%参数；Panoptic-PHNet在真实时间内达到极高性能；Mask4D在SemanticKITTI测试集上取得68.4 LSTQ，较最佳已发表方法提升至少4.5%。这表明研究不仅追求精度，也关注实际部署的可行性。
域泛化与4D分割成为新焦点
文章指出，近期研究开始关注LiDAR语义分割的域泛化问题，通过传输学习减少领域差距，以解决跨领域泛化难题。同时，4D全景分割（如Mask4D）将时间维度纳入，直接预测语义实例及其时间关联，无需手工设计关联策略。这些方向拓展了全景分割的应用场景，从静态单帧理解走向动态连续感知。
Q&A
Panoster方法的主要特点是什么？
Panoster是一种无需分类器的全景分割方法，通过学习聚类解决方案生成类不可知分割，在SemanticKITTI基准测试中表现优异。
EfficientLPS框架解决了哪些问题？
EfficientLPS框架解决了LiDAR点云分割中的稀疏性、遮挡和重投影误差等问题，并在两个大型数据集上实现了先进效果。
Panoptic-PolarNet是如何处理城市街景中的遮挡问题的？
Panoptic-PolarNet使用极坐标鸟瞰图表示进行语义分割和实例聚类，有效解决城市街景中的遮挡问题。
Panoptic-PartFormer的创新之处在哪里？
Panoptic-PartFormer是首个端到端的统一方法，通过解耦解码器生成部分特征和物体特征，在多个数据集上实现了新的最先进结果。
Mask4D方法的主要优势是什么？
Mask4D是一种基于Transformer的方法，直接预测语义实例及其时间关联，在SemanticKITTI测试集上取得了新的最优效果。
如何通过聚类策略改进实例分割步骤？
通过聚类策略和点嵌入改进实例分割步骤，可以有效解决同一语义类别附近实例分割的挑战，实验证明其有效性。
