BSNet: Box-Supervised Simulation-assisted Mean Teacher for 3D Instance Segmentation

3D实例分割（3DIS）是一项关键任务，但在完全监督的情况下，点级注释是繁琐的。因此，使用边界框（bboxes）作为注释已显示出巨大的潜力。目前主流的方法是一个两步过程，涉及从框注释生成伪标签和使用伪标签训练3DIS网络。然而，由于bboxes之间存在交叉，不是每个点都有确定的实例标签，特别是在重叠区域。为了生成更高质量的伪标签并实现更精确的弱监督3DIS结果，我们提出了Box-Supervised Simulation-assisted Mean Teacher for 3D Instance Segmentation（BSNet），它设计了一种名为Simulation-assisted Transformer的新型伪标签生成器。标注器由两个主要组件组成。第一个是Simulation-assisted Mean Teacher，它首次在此任务中引入了Mean Teacher，并构建了模拟样本来帮助标注器获取有关重叠区域的先前知识。为了更好地建模局部-全局结构，我们还提出了局部-全局感知注意力作为教师和学生标注器的解码器。在ScanNetV2和S3DIS数据集上进行的广泛实验验证了我们设计的优越性。代码可在\href{https://github.com/peoplelu/BSNet}{https://github.com/peoplelu/BSNet}上找到。

本论文旨在解决3D实例分割中使用边界框作为注释的问题，提出了一种新的伪标签生成方法，以实现更精确的弱监督3D实例分割结果。

论文提出了一种名为BSNet的方法，其中包括一个新的伪标签生成器——Simulation-assisted Transformer，以及一个用于获取重叠区域先验知识的模拟样本构建器——Simulation-assisted Mean Teacher。此外，还提出了一种局部-全局感知注意力解码器，以更好地建模局部和全局结构。

论文在ScanNetV2和S3DIS数据集上进行了广泛的实验，证明了BSNet方法的优越性。此外，论文提供了开源代码。

在这个领域中，最近的相关研究包括：Weakly Supervised 3D Object Detection from Lidar Point Cloud和End-to-End Learning of Multi-Sensor 3D Object Detection from Point Clouds。