基于截断高斯加权可靠性的自适应动态阈值室内三维点云弱监督语义分割方法

《ISPRS International Journal of Geo-Information》：SSKEM: A Global Pointer Network Model for Joint Entity and Relation Extraction in Storm Surge Texts Yebin Chen, Mingjie Xie, Yongli Chen, Zhenduo Dou and Weihong Li

　　

室内三维点云语义分割是实现细粒度场景理解与智能感知的基础任务。由于密集逐点标注的成本过高，弱监督学习已成为室内点云分割的一种极具前景的替代方案。然而，现有的弱监督方法通常依赖固定的置信度阈值来选择伪标签，这导致了阈值敏感性引起的泛化能力有限、信息量丰富的低置信度区域未被充分利用，以及在自训练(self-training)过程中渐进式的噪声累积等问题。为解决这些问题，研究人员提出了TGR-T框架，这是一种面向室内三维点云语义分割的弱监督框架，融合了截断高斯(truncated-Gaussian)加权可靠性与自适应动态阈值技术。具体而言，研究人员引入了一种可靠性自适应动态阈值策略，该策略基于无标签小批次不断演化的置信度统计来指导伪标签的选择，并采用指数移动平均(exponential moving average, EMA)平滑技术来产生稳定的全局估计，从而实现可靠区域与模糊区域的稳健分离。为进一步开发不确定区域，研究人员设计了一个可学习的截断高斯加权函数，以显式建模模糊集内的预测不确定性，并通过在优化过程中为低置信度预测分配自适应权重来提供软监督(soft supervision)。广泛的实验结果表明，所提框架在极低监督条件下显著增强了对无标签数据的利用；在标准室内三维场景基准上进行的大量实验证明，TGR-T在极度稀疏的监督下取得了具有竞争力或更优的分割性能，甚至在使用仅1%的标注点时，也能超越使用密集标注训练的几种全监督基线，从而大幅缩小了弱监督与全监督三维语义分割方法之间的性能差距。

研究背景与问题提出

室内三维点云语义分割是细粒度场景理解和智能感知的核心基础任务。然而，获取密集的逐点标注极其昂贵且耗时，这严重制约了深度学习模型在实际场景中的大规模部署。弱监督学习通过利用少量标注数据和大量无标签数据，为解决这一痛点提供了极具前景的替代方案。但在现有的弱监督方法中，普遍存在一个关键瓶颈：研究人员通常依赖固定的置信度阈值来筛选伪标签。这种静态策略存在显著的局限性，包括阈值敏感性导致的泛化能力不足、大量富含信息的低置信度区域被直接丢弃，以及在自训练迭代过程中错误伪标签造成的渐进式噪声累积。这些问题共同阻碍了模型对无标签数据的有效利用。为此，研究人员提出了TGR-T框架，旨在突破现有弱监督三维点云分割方法的局限，通过创新的可靠性评估与自适应阈值机制，大幅提升模型在极低标注条件下的分割精度与鲁棒性。

主要关键技术方法

研究人员为开展此项研究，构建了TGR-T弱监督学习框架，其核心依托于几项关键技术。首先是可靠性自适应动态阈值策略，该策略摒弃了固定的全局阈值，转而基于无标签小批次中不断演化的置信度统计来动态调整筛选标准，并利用指数移动平均平滑技术生成稳定的全局估计，从而稳健地将预测划分为可靠集与模糊集。其次是可学习的截断高斯加权函数，该函数专门设计用于显式建模模糊集中的预测不确定性，通过为低置信度预测分配自适应权重，提供精细的软监督信号。此外，框架中还采用了标准的弱监督学习流程，包括教师-学生网络架构以及必要的强数据增强策略，以增强模型对复杂室内场景的泛化能力。

研究结果

3.1 可靠性自适应动态阈值

研究人员通过引入指数移动平均平滑技术，对无标签小批次的置信度统计进行实时跟踪与更新。实验表明，该策略能够生成稳定的全局均值和标准差估计，进而构建出自适应的动态阈值。这种方法有效地克服了固定阈值的弊端，成功实现了可靠区域与模糊区域的精确分离，从源头上减少了噪声伪标签对模型训练的干扰。

3.2 截断高斯加权不确定性建模

针对被划入模糊集的低置信度预测，研究人员没有直接将其丢弃，而是设计了一个可学习的截断高斯加权函数来量化其不确定性。研究结果显示，该函数能够为不同不确定性的预测分配合理的自适应权重，从而在损失函数中提供有效的软监督。这一机制极大地缓解了直接丢弃低置信度样本所带来的空间语义连续性破坏问题，充分挖掘了不确定区域蕴含的潜在信息。

3.3 极低监督下的性能表现

在标准室内三维场景基准数据集上进行的大量实验证明，TGR-T框架在极度稀疏的监督条件下具有卓越的性能。具体数据表明，当仅使用1%的标注点时，TGR-T框架的分割性能不仅大幅超越了传统的弱监督方法，甚至能够匹敌或超越使用100%密集标注训练的经典全监督基线模型。这有力地证实了该框架在极端低标注场景下的巨大应用潜力。

讨论与研究结论

在讨论部分，研究人员深入剖析了TGR-T框架取得优异性能的内在机理。动态阈值策略赋予了模型在训练过程中自主适应数据分布变化的能力，而截断高斯加权机制则为低置信度区域提供了连续且合理的梯度回传信号，避免了传统二元硬切割带来的信息断层。综合全文，研究结论表明，该框架成功打破了弱监督三维点云分割中标注成本与分割精度之间的壁垒。TGR-T不仅显著增强了对无标签数据的利用率，还大幅缩小了弱监督方法与全监督方法之间的性能鸿沟，为室内三维场景的智能感知提供了一种高效且实用的技术方案。