2. 引言

這篇論文提出了一種創新的3D室內場景分割方法，這在增強現實、機器人技術等領域是一個關鍵的任務。該任務的核心是從多種3D場景表現形式（如網格或點云）中預測3D物體掩膜。歷史上，傳統方法在分割訓練過程中未遇到的新物體類別時常常遇到困難，這限制了它們在陌生環境中的有效性。

最近的進展，如Segment Anything Model（SAM），在2D圖像分割方面顯示出潛力，能夠在無需額外訓練的情況下分割陌生的圖像。本文探討了將SAM原理應用于3D場景分割的可能性，具體研究了是否可以直接將SAM應用于2D幀，以分割3D場景，而無需額外訓練。這一探索基于SAM的一個獨特特點：它的提示功能，即它接受各種輸入類型來指定圖像中的分割目標。

作者指出了一個關鍵挑戰：確保同一3D物體在不同幀中的2D分割的一致性。他們觀察到，像SAM3D這樣的現有方法，它將自動化SAM應用于單個幀，但在不同幀中存在不一致性，導致3D分割效果不佳。另一種方法，SAM-PT，在視頻跟蹤中效果顯著，但在3D場景中失敗，因為物體并非始終出現在所有幀中。

為了應對這些挑戰，論文提出了一個名為SAMPro3D的新框架，該框架在輸入場景中定位3D點作為SAM提示。這些3D提示被投影到2D幀上，確保了跨幀一致的像素提示和相應的掩膜。這種方法確保了同一3D物體在不同視角下的分割掩膜的一致性。

SAMPro3D首先初始化3D提示，使用SAM在各個幀中生成相應的2D掩膜。然后，它根據所有幀中相應掩膜的質量過濾3D提示，優先選擇在所有視圖中都能產生高質量結果的提示。為了解決部分物體分割的問題，該框架合并了重疊的3D提示，整合信息以實現更全面的分割。SAMPro3D累積跨幀的預測結果，以得出最終的3D分割。值得注意的是，該方法不需要額外的領域特定訓練或3D預訓練網絡，這保持了SAM的零樣本能力，是之前方法所不具備的顯著優勢。

該論文通過廣泛的實驗驗證了SAMPro3D的有效性，展示了它在實現高質量和多樣化分割方面的能力，通常甚至超過了人類級別的標注和現有方法。此外，它還展示了在2D分割模型（如HQ-SAM和Mobile-SAM）中的改進可以有效地轉化為改進的3D結果。這篇論文為3D室內場景分割引入了一種開創性的方法，巧妙地利用了2D圖像分割模型的能力，并將其創新地應用于3D領域。結果是一種強大的、零樣本的分割方法，顯著推進了3D視覺理解領域的最新發展。

3. 方法

本文提出的方法名為SAMPro3D，旨在直接應用Segment Anything Model (SAM) 對室內場景的3D點云及其關聯的2D幀進行零樣本3D場景分割。

3D Prompt Proposal

首先，針對一個3D場景的點云 ，包含 個點，我們使用最遠點采樣（Furthest-Point Sampling, FPS）從中采樣 個點作為初始3D提示 。FPS幫助我們實現了場景中物體的良好覆蓋。簡化地，我們用 和 分別表示單個輸入點和一個3D提示。

接著，我們僅考慮針孔相機配置。具體來說，給定幀 的相機內參矩陣 和世界到相機的外參矩陣 ，我們通過以下公式計算點提示 的對應像素投影 ：

其中， 和 分別是 和 的齊次坐標。我們通過深度值執行遮擋測試，以確保當且僅當點 在幀 中可見時，像素 才有效。

然后，在圖像幀上執行SAM分割。SAM能接受像素坐標、邊界框或掩膜等多種輸入，并預測與每個提示相關的分割區域。在我們的框架中，我們將所有計算出的像素坐標用于提示SAM，并在所有幀上獲取2D分割掩膜。通過在3D空間中定位提示，源自不同幀但由同一3D提示投影的像素提示將在3D空間中對齊，從而帶來幀間一致性。

2D-Guided Prompt Filter

在之前的提示初始化過程中，某些提示可能會生成低質量且冗余的掩膜，這將降低最終結果的質量。為解決這個問題，我們引入了一個機制來“收集所有幀的反饋”。我們首先采用自動化SAM提出的策略在每個單獨的幀上過濾提示。基本上，這種策略會消除那些對應掩膜置信度低或與其他掩膜重疊度大的提示。如果一個3D提示 在某幀中有有效的像素投影 ，則它的計數器 會增加。如果該提示在該幀的過濾階段成功存活，則它的得分 會累積。在評估所有幀后，我們計算保留一個3D提示的概率 ，并在其概率超過預定義閾值 時保留該提示。這個算法使我們能夠通過考慮所有2D視圖的反饋來"讓所有幀都滿意"。它優先選擇高質量的提示，同時在幀間保持提示的一致性，最終提升3D分割結果。

Prompt Consolidation

有時，由單個3D提示對齊的2D掩膜可能只分割了對象的一部分，因為2D幀的覆蓋范圍有限。為解決這個問題，我們設計了一個提示合并策略。該策略涉及檢查不同3D提示生成的掩膜，并識別它們之間的一定重疊。在這種情況下，我們認為這些提示可能正在分割同一個對象，并將它們合并為單個偽提示。這個過程促進了提示間信息的整合，導致更全面的對象分割。

3D Scene Segmentation

在前面的步驟之后，我們獲得了最終的3D提示集合及其在幀間的2D分割掩膜。此外，我們還確保了每個3D對象由單個提示分割，允許提示ID自然地作為對象ID。

為了分割3D場景中的所有點，我們繼續將 extit{所有}場景輸入點投影到每個分割幀上，并使用以下步驟計算它們的預測：對于場景中的每個單獨輸入點 ，如果它被投影到幀 中由提示 分割的掩膜區域內，我們將其在該幀中的預測指定為提示ID 。我們累積 在所有幀中的預測，并根據最多次分配給它的提示ID確定其最終預測ID。通過對所有輸入點重復此過程，我們可以實現輸入場景的完整3D分割。

4. 實驗

從這個表格中提供的實驗數據中，我們可以得出一些結論關于3D室內場景分割性能。這些數據基于ScanNet200數據集的標注，評價指標是mIoU（mean Intersection over Union），一個常用的衡量圖像分割效果的指標。

與其他方法的比較：在mIoU 和mIoU 這兩個指標上，我們的方法與其他兩個主要對比方法Mask3D和SAM3D相比，表現更優。特別是在mIoU 上，我們的方法達到了82.60%，高于Mask3D的79.03%和SAM3D的74.82%。

過濾和合并提示的重要性：不使用2D引導的提示過濾（w/o Fil.）和不使用提示合并（w/o Con.）的情況下，性能有所下降，這表明這兩個步驟對于最終的分割效果是重要的。

提示數量的影響：在不同數量的提示下（即 ），我們的方法表現出相對穩定的性能，其中使用時性能最佳。

投票機制的影響：在提示過濾時使用的兩種不同投票機制（soft和top-k）中，soft策略略優于top-k策略，尤其是在mIoU 指標上。

增強SAM的作用：引入HQ-SAM（+HQ.）和Mobile-SAM（+Mob.）后，可以觀察到性能提升，尤其是HQ-SAM，它在mIoU 指標上達到了83.19%，顯示了進一步優化SAM模型在3D室內場景分割中的潛力。

這些實驗結果表明，本文提出的方法在3D室內場景分割任務上具有強大的性能，尤其是在采用2D引導的提示過濾和提示合并策略，以及進一步增強SAM模型時。此外，這些結果還揭示了不同提示數量和投票機制對性能的影響，以及優化3D提示的潛力。

5. 討論

這篇論文在3D室內場景分割領域提出了一種創新的方法，展示了顯著的性能提升，尤其是在處理具有挑戰性的零樣本場景時。其主要優勢在于有效地利用了Segment Anything Model（SAM），通過一系列精心設計的步驟，如3D提示提議、2D引導的提示過濾和提示合并策略，來改善3D場景的分割效果。這種方法充分利用了SAM在2D圖像分割領域的強大能力，并巧妙地將其擴展到3D場景，顯示了跨領域應用的巨大潛力。

特別是，該方法通過3D提示的初始化和精確過濾，確保了3D分割的精度和一致性。此外，通過集成HQ-SAM和Mobile-SAM，該方法進一步提升了其性能，顯示了在不斷發展的深度學習領域中，通過集成新技術以適應更復雜應用場景的重要性。

然而，該方法也存在一些潛在的限制。首先，盡管實驗結果表明該方法在多個指標上表現出色，但它依賴于SAM模型，這可能限制了其在沒有大規模預訓練數據時的適用性。此外，3D提示的初始化和過濾策略雖然有效，但可能需要顯著的計算資源，尤其是在處理大規模或復雜的3D場景時。此外，該方法的泛化能力尚需在更多不同類型的3D場景中進行測試和驗證。

綜上所述，盡管這篇論文在3D室內場景分割方面取得了顯著進展，但其依賴于特定的深度學習模型和可能需要較高計算資源的處理流程，這些因素可能會影響其在實際應用中的廣泛可行性。

6. 結論

總的來說，這篇論文提出了一種創新且有效的方法，用于提升3D室內場景分割的準確度和效率。其通過集成先進的2D圖像分割模型并將其擴展到3D領域，展示了顯著的性能提升。盡管存在一些潛在的限制，如對預訓練數據的依賴和高計算資源需求，但這項工作無疑為3D視覺理解領域帶來了新的見解和方法。

審核編輯：黃飛