摘要
点云语义分割是三维场景理解的一项基本任务。然而，获取密集的点级标注是劳动密集且昂贵的。为了减轻标注负担，使用极稀疏标签（例如0.1%）的弱监督方法引起了越来越多的关注。虽然现有方法已经展示了有前景的性能，但它们难以从未标记的点中生成足够可靠的伪标签，这限制了在极稀疏监督下分割性能的进一步提升。为了解决这一挑战，我们提出了一种多阶段伪标签引导（MPG）训练框架，通过两阶段训练策略挖掘高质量的伪标签。在第一阶段，我们引入了一种原型引导的伪标签过滤器（PPF），通过将未标记的特征与类原型进行比较来捕获潜在语义信息，并使用预定义的阈值移除不可靠的伪标签。在第二阶段，我们采用教师-学生架构，并引入了一种伪标签融合（PLF）策略。PLF对冻结教师模型的两个数据增强分支应用一致性和置信度过滤，以生成精炼的伪标签，然后与PPF输出结合来训练学生网络。这种设计允许学生模型在探索额外语义信息的同时继承蒸馏知识。在室内和室外建筑场景上的广泛实验证明了MPG的有效性。在极稀疏监督下，MPG在S3DIS上达到69.5%的mIoU，在厦门建筑数据集上达到59.5%，在弱监督方法中实现了最先进的性能，并且性能与一些全监督方法相当。
