本研究提出了一种名为Find3D的三维开放世界部件分割方法，通过大规模无人工注释训练，显著提高了分割性能和速度。

该研究提出了一种贝叶斯自训练框架，用于解决三维分割领域缺乏标注数据的问题。该方法通过随机推断生成初始伪标签并基于点的估计不确定性进行过滤，取得了最先进的结果，显著提升了密集三维视觉定位的性能。

本研究使用预训练的CLIP和DINO模型解决三维开放式词汇分割的挑战，并通过优化神经辐射场（NeRF）和引入相应的损失函数，从2D特征中提取出3D分割特征。实验证明，该方法在无需分割注释的情况下，甚至优于完全监督的分割模型训练。

该论文介绍了一种名为TSegFormer的多任务3D变换器架构，用于在光学口腔扫描仪中对牙齿和牙龈进行准确的三维分割。通过几何引导损失进行边界细化，实现终端到终端的分割，避免了耗时的后处理。实验证明TSegFormer优于现有方法，具有临床适用性。