基于Transformer跨任务交互的点云基元分割方法TCIPS及其在三维对象处理中的应用

针对点云基元分割中全局空间关系建模不足的问题，研究人员提出Transformer-based Cross-task Interactive Primitive Segmentation (TCIPS)方法，通过中心偏移和区域纯度预测辅助任务增强特征学习，并设计跨任务Transformer融合模块(CTF)实现全局交互。实验表明该方法在ABC数据集上显著提升分割精度，为三维逆向工程和智能制造提供新思路。

　　

随着三维扫描技术的普及，点云基元分割（将三维模型分解为平面、球体等几何基元）在逆向工程和智能制造中愈发重要。传统RANSAC方法依赖人工调参，而现有深度学习方法因卷积操作的局限性，难以捕捉跨任务的全局空间关系。针对这一瓶颈，中国科学院合肥物质科学研究院远程操作团队提出创新性解决方案——基于Transformer的跨任务交互基元分割方法TCIPS。

该研究首先构建包含中心偏移预测和区域纯度预测的辅助任务体系，利用现有实例标注生成监督信号，无需额外标注。核心创新是设计跨任务Transformer融合模块(CTF)，通过特征融合块(MHSA机制)建模全局空间关系，任务查询块则实现特征精炼。在ABCParts和ABCPrimitive数据集上的实验表明，TCIPS较传统方法显著提升分割精度，相关成果发表于《Engineering Applications of Artificial Intelligence》。

关键技术包括：1) U-Net主干网络提取通用特征；2) 双辅助任务监督机制；3) CTF模块的两种Transformer块设计；4) 基于ABC数据集(含CAD模型)的验证体系。

【研究结果】

1. 问题陈述：明确定义输入为点云坐标C∈R³和法向量N∈R³，输出为K类基元实例分割结果。
2. 整体架构：四分支结构(主任务：实例/语义分割；辅助任务：中心偏移/区域纯度)通过CTF模块交互，实验显示辅助任务使mIoU提升5.3%。
3. 实现细节：在ABCParts数据集上，TCIPS的实例分割F1分数达89.7%，超越SOTA方法3.2个百分点。

【结论】
TCIPS首次将Transformer引入基元分割的跨任务交互，通过全局关系建模解决卷积操作的局限性。中心偏移预测提升空间定位精度(误差降低18%)，区域纯度预测增强边界识别能力(边界F1提高7.5%)。该工作为三维对象处理提供新范式，其无监督辅助任务设计尤其适合工业场景应用。研究获中国聚变工程实验堆项目(2018-000052-73-01-001228)支持，代码已在GitHub开源。