基于视觉语言模型的通用少样本3D点云分割

本研究解决了通用少样本3D点云分割（GFS-PCS）方法在适应新类别时面临的稀疏样本知识限制问题。我们提出了一种GFS-VL框架，通过结合3D视觉语言模型生成的密集伪标签与精准但稀疏的少样本，将两者优势最大化，显著提高了新类别的学习效果。我们的实验表明该框架在多个模型和数据集上均有效，为GFS-PCS在实际应用中的推进奠定了坚实基础。

本研究提出GFS-VL框架，解决通用少样本3D点云分割在新类别适应中的稀疏样本问题，通过结合密集伪标签与稀疏样本，显著提升学习效果，实验验证了其有效性，为实际应用奠定基础。

3D点云 GFS-VL 分割 少样本 点云 稀疏样本 语言模型
原文中文，约300字，阅读约需1分钟。发表于：。
阅读原文
分享给好友