稀疏点云感知的表示学习

背景：3D感知是自动驾驶等应用的关键，点云作为直接且信息丰富的3D数据表示，其固有的稀疏性、非均匀采样和高标注成本限制了感知性能。研究目的：本博士论文旨在学习有效的点云表示，以克服传统3D学习范式的局限，推动稳健、可扩展的3D感知技术发展。结论：研究通过四个互补维度推进了点云表示学习，包括多模态融合提升语义分割、自监督时空预训练缓解数据稀疏、引入3D自动词汇分割实现自主语义发现，以及利用生成式监督提升开放词汇分割性能，为构建更具扩展性和稳健性的3D感知系统做出了贡献。