Segmentación Semántica para Escenas Reales de Nubes de Puntos a través de Aumento Bilateral y Fusión Adaptativa

Dada la prominencia de los sensores 3D actuales, un análisis detallado sobre los datos básicos de nubes de puntos merece una investigación más profunda. En particular, las escenas de nubes de puntos reales pueden capturar de manera intuitiva entornos complejos en el mundo real, pero debido a la naturaleza cruda de los datos 3D, es muy desafiante para la percepción máquina. En este trabajo, nos concentramos en la tarea visual esencial, la segmentación semántica, para datos de nubes de puntos a gran escala recolectados en la realidad. Por un lado, para reducir la ambigüedad en los puntos cercanos, aumentamos su contexto local aprovechando completamente tanto las características geométricas como semánticas en una estructura bilateral. Por otro lado, interpretamos de manera comprensiva la distintividad de los puntos desde múltiples resoluciones y representamos el mapa de características siguiendo un método de fusión adaptativa a nivel de punto para una segmentación semántica precisa. Además, proporcionamos estudios de ablación específicos y visualizaciones intuitivas para validar nuestros módulos clave. Al comparar con redes de última generación en tres diferentes benchmarks, demostramos la efectividad de nuestra red.