提出了一种新的联合实例和语义分割方法，称为 JSNet，以同时处理 3D 点云的实例和语义分割。该方法包括构建一个有效的主干网络，通过点云特征融合模块融合主干网络的不同层特征以及开发联合实例语义分割模块，把语义特征转换成实例嵌入空间并将其与实例特征相结合以促进实例分割，并将实例特征聚合到语义特征空间以促进语义分割，最后采用简单的均值漂移聚类生成实例预测。实验结果表明，提出的 JSNet 在 3D 实例分割方面比现有方法表现更好，在 3D 语义预测方面也有显著改善，并且还有益于部分分割。

Dec, 2019

本文提出了一种用于 3D 点云的多任务点位网络，实现了语义和实例分割，并比较了不同数据集上的表现。与单一组件相比，我们的方法表现出了更好的鲁棒性和语义分割性能，使用了多值条件随机场进行语义与实例标签联合优化。

Apr, 2019

我们提出了一种名为 Self-Prediction 的学习模式，用于处理点云的三维实例和语义分割问题。我们的方法强调了点关系探索方面的新学习模式，与大多数现有方法不同，该方法通过自我预测任务来训练骨干网络，从而使模型更好地探索关系、几何和形状信息并学习更具有区分性的特征进行分割，实现了在 S3DIS 和 ShapeNet 上实例分割结果的最先进性，并只使用 PointNet ++ 作为骨干网络时与现有技术的语义分割结果相当。

Jul, 2020

室内 3D 点云数据的语义理解对于室内服务机器人、导航系统和数字孪生工程等一系列后续应用非常重要。我们提出了一种名为 JSMNet 的方法，它结合了多层网络和全局特征自注意力模块，共同分割三维点云的语义和实例。通过设计了一个多分辨率特征自适应融合模块，以考虑由于传感器距目标的距离不同而导致的点云密度差异，更好地表达了室内目标的特性。此外，我们提出了一种联合语义和实例分割的框架，通过整合语义和实例特征实现更优的结果。我们在 S3DIS 上进行了实验证明，我们的方法与其他方法进行了比较，结果显示在语义和实例分割以及目标局部区域分割方面，我们的方法优于现有方法。具体而言，在 S3DIS（Area 5）的语义分割 mIoU 方面，我们的方法在 PointNet (Qi et al., 2017a) 上表现优异，提高了 16.0%，在实例分割 mPre 方面提高了 26.3%。此外，在语义分割 mIoU 方面，我们的方法超过了 ASIS (Wang et al., 2019) 6.0% 和 JPSPNet (Chen et al., 2022) 3.3%，在实例分割 mPre 方面略微提高了 0.3%。

Sep, 2023

本文介绍了一种利用边缘分支和层次化图框架实现点和其语境邻居之间的语义关系来实现 3D 语义场景标注的方法，并证明其有效性。

Sep, 2019

本文提出 EPNet 框架，采用多种传感器与图像信息进行目标检测，并通过融合模块增强语义化特征，实现目标定位和分类置信度的一致性，实验表明其优于现有最先进的方法。

Jul, 2020

本文提出了一种基于 2D-CNN 和多模态网络架构的点云语义分割方法，将点云数据投影到 2D 平面，避免了 3D-CNN 方法中立方体体素化降低空间分辨率和增加内存消耗的限制，并在 Semantic3D 数据集上达到了相对增益 7.9％的最新最佳结果。

May, 2017

本研究介绍了 SEGCloud，一种利用三线性插值和完全连接条件随机场等方式得到端到端三维点级分割的框架，可实现对室内和室外三维数据集进行准确的场景标注。

Oct, 2017

本文提出一种简单有效的多模态 3D 语义分割网络，利用来自不同传感器的信息进行语义分割并使其更加鲁棒，达到了优异的性能。

Apr, 2023

通过引入语义物体性概念分析成像过程，本文提出了一种基于物体性假设的语义物体分割和深度估计网络（SOSD-Net），并采用期望最大化算法的迭代思想更有效地训练该网络，实验结果表明该方法具有卓越的性能。

Jan, 2021