DyCo3D CVPR 2021

1. Motivation

• 过往在点云实例分割领域表现优异的方法通常采用自底向上的策略，此类方法往往包含低效的操作或复杂的流程，例如对过度分割的组件进行分组、引入额外的优化步骤，或是设计复杂的损失函数。
  • 实例尺度的不可避免变化会使自底向上的方法对超参数取值表现出高度敏感性。
  • 对3D点云进行实例分割的难度远高于其他任务。
  • 这一方面源于数据本身的不规则性和稀疏性，另一方面则归因于场景多样性的特点。

此前关于3D点云实例分割的相关研究：

• 3D-MPA
• PointGroup（建议通篇参考本文中诸多设定均借鉴自该文）

具体而言，以往自底向上方法存在的不足之处包括：

• 模型性能受预定义超参数取值影响较大，通常需要人工进行调参。
• 这些方法往往包含复杂的后处理步骤或训练流程，使其难以满足如机器人和无人驾驶等实时应用场景的需求。
• 其性能高度依赖于候选区域的质量，在实际应用中容易出现联合或碎片化的实例结果。

2. Contribution