本文介绍了多种先进的3D分割模型，如OneFormer3D、PSGformer和SegFormer3D，展示了它们在实例分割和语义分割任务中的优越性能，尤其是在ScanNet和S3DIS数据集上取得最佳结果。此外，提出了新颖的场景图生成方法S^2Former-OR，具有较低的计算成本和更高的精度。这些研究推动了3D视觉理解的进展。

本文提出了一种分层点云主动学习策略，通过使用上下文信息的分层最小边距不确定性模块对每个点进行不确定性度量，并设计了特征距离抑制策略来选择重要和代表性的点进行手动标注。实验结果表明，该框架在S3DIS和ScanNetV2数据集上的性能优于最先进的弱监督和主动学习方法，仅使用0.07%和0.1%的训练数据时分别达到了96.5%和100%的性能。

OneFormer3D是一种能够同时处理实例分割和语义分割的模型，通过统一的实例和语义查询进行训练。该模型在ScanNet测试排行榜中获得第一名和最佳性能，并在ScanNet、ScanNet200和S3DIS数据集上展示了领先的分割结果。

该文介绍了一种解决全监督点云分割方法无法应对新类别的问题的广义少样本点云分割范式。该方法通过学习适应新类别，同时保持对基类别的分割能力，引入了几何单词和几何原型来提高分割准确性。实验证明该方法在 S3DIS 和 ScanNet 上的性能优于基准方法。