密歇根大学团队提出SAM引导的3D语义分割跨域自适应方法
密歇根大学研究团队提出了一种基于Segment Anything Model(SAM)的图像引导伪标签增强方法,以提升多模态3D语义分割中的域自适应性能。该方法通过对SAM掩码进行细化,利用多数投票和几何感知渐进传播(GAPP)来生成更可靠的伪标签,有效克服了稀疏性问题,避免了2D-3D不对齐导致的错误。实验结果显示,此方法显著增加了高质量伪标签数量,并提高了自适应性能,适用于AR/VR等应用场景。
Insider
nweon 文章