PointGS: Segmentazione Non Supervisionata di Nuvole di Punti 3D tramite Gaussian Splatting
I ricercatori propongono PointGS, una nuova pipeline per la segmentazione non supervisionata di nuvole di punti 3D che utilizza il 3D Gaussian Splatting come rappresentazione intermedia per colmare il divario tra punti 3D discreti e immagini 2D continue. Il metodo affronta la discrepanza che si verifica quando si integrano modelli pre-addestrati 2D come SAM, portando a sovrapposizioni di proiezione e complesso allineamento delle modalità. PointGS ricostruisce prima le nuvole di punti sparse in input in spazi gaussiani 3D densi, consentendo una segmentazione semanticamente coerente senza richiedere annotazioni dense a livello di punto. L'approccio è fondamentale per l'IA incarnata e la guida autonoma, dove i costi di annotazione sono proibitivi. L'articolo è disponibile su arXiv con ID 2605.11520.
Fatti principali
- PointGS utilizza il 3D Gaussian Splatting come rappresentazione intermedia unificata.
- Affronta la discrepanza tra punti 3D discreti e immagini 2D continue.
- Il metodo è non supervisionato, mitigando il costo delle annotazioni dense a livello di punto.
- Integra modelli pre-addestrati 2D come SAM per informazioni semantiche.
- Le nuvole di punti sparse in input vengono ricostruite in spazi gaussiani 3D densi.
- L'approccio è mirato a applicazioni di IA incarnata e guida autonoma.
- L'articolo è pubblicato su arXiv con ID 2605.11520.
- PointGS mira a migliorare la coerenza semantica nel trasferimento 2D-3D.
Entità
Istituzioni
- arXiv