本文提出了一种无需过多手工注释、称为 FreePoint 的方法，用于针对点云进行不考虑类别的实例分割。该方法使用自我监督深度特征表示点特征，并使用多覆盖割算法将点云分割为粗略的实例掩模。同时，作者还提出了一种弱监督的训练策略和相应的损失，以减轻粗略掩模在训练过程中的不准确性。通过 Fine-tuning 方法，FreePoint 在 S3DIS 数据集上的表现优于仅使用 10% 的遮罩注释训练的模型。

May, 2023

通过使用弱监督的三维实例分割方法，只需要分类语义标签作为监督，而无需实例级别标签，从而减少批注成本，并利用伪实例标签辅助现有方法学习三维实例分割。

Aug, 2023

提出了一种基于 2D 监督的新型深度图卷积网络框架，用于大规模语义场景点云的分割，通过 Graph-based Pyramid Feature Network 和 Observability Network 可以隐式推断点集的全局和局部特征，并提出了一个 2D-3D 联合优化策略用于优化投影过程中的语义信息的加入， 即使只有单个训练样本的情况下，也能够进行自然场景下的 3D 分割训练，扩展实验在 SUNCG 和 S3DIS 数据集上证明了这种 2D 监督框架在语义点云分割方面的有效性。

Apr, 2020

通过使用预先训练的 2D 基础模型 SAM 和 3D 几何先验，本文提出了一个互补的图像提示引导的弱监督点云实例分割（CIP-WPIS）方法，用于从边界框注释中准确地获取点云实例标签。通过在 3D 候选点的全可见图像视图中选择，我们生成互补的背景和前景提示，并通过这些提示对点进行置信度分配，使用超点提供的 3D 几何均匀性来决定最终实例标签分配。通过大量实验证明，我们的方法对于嘈杂的 3D 边界框注释具有鲁棒性，并实现了最先进的性能。

Sep, 2023

通过无监督学习的方法，使用 LiDAR 传感器，构建了一个算法来预测 3D 场景中的实例分割，其中通过权重代理图生成 3D 实例掩模建议，并使用自我训练算法对初始嘈杂的提议进行强化，以生成场景级实例分割。在 SemanticKITTI 基准测试中，该方法相较于最佳基准模型获得了 13.3% 的平均准确率和 9.1% 的 F1 分数提升。

Mar, 2024

Open3DIS 是对 3D 场景中开放词汇实例分割问题的一种新解决方案，通过聚合帧间的 2D 实例掩码并将其映射到几何连贯的点云区域作为高质量的对象提案，与 3D 非特定类实例提案相结合，能够在真实世界的广泛对象中实现显著的性能提升。

Dec, 2023

本文提出 Box2Mask 方法，利用 3D 包围盒标签进行弱监督学习，通过 Hough 投票和聚类方法实现 3D 实例分割，无需密集注释点云数据，模型在 ScanNet 测试上达到领先水平（+18 mAP@50），并在实现 3D 实例分割掩码方面取得了令人信服的结果。

Jun, 2022

提出了一种用于三维实例分割的 Box-Supervised Simulation-assisted Mean Teacher (BSNet) 模型，利用伪标签和模拟样本来提高弱监督下的分割结果的质量和精度。模型包括模拟辅助教师和学生标签器，以更好地建模局部 - 全局结构。通过在 ScanNetV2 和 S3DIS 数据集上进行大量实验验证了模型的优越性。

Mar, 2024

本文提出 VS3D，一个从点云中弱监督学习的 3D 目标检测框架，其中引入了无监督的 3D proposal 模块和跨模态知识蒸馏策略，在 KITTI 数据集上取得了优异的性能。

Jul, 2020

3D-BoNet 是一个新颖的、简单易懂且通用的网络，可在 3D 点云上实现实例分割。该网络由骨干网和两个并行支路（边界框回归和点掩码预测）组成，并在保持端到端训练的同时，直接回归点云中所有实例的 3D 边界框和每个实例的点级掩码。实验表明，相比现有方法，该方法不仅在 ScanNet 和 S3DIS 数据集上的表现更优，而且计算效率提高了约 10 倍，并且该算法的设计是有效的。

Jun, 2019