Tag · 5 篇
无监督分割
基于稳定扩散基础模型的无监督多尺度 3D 亚细胞世界分割
Unsupervised Multi-Scale Segmentation of 3D Subcellular World with Stable Diffusion Foundation Model
利用在自然图像上预训练的 Stable Diffusion 基础模型提取特征，结合启发式特征聚合与自适应阈值实现无监督分割，为缺乏标注的专业成像域（如 cryo-ET）提供了一种可复用的伪标签生成与监督模型训练流程。
以场景为中心的无监督视频全景分割
Scene-Centric Unsupervised Video Panoptic Segmentation
利用无监督深度、光流与视觉线索从场景视频中生成时序一致的全景伪标签，并用 Video DropLoss 训练，为无标注视频的密集预测提供了一套可复用的伪标签构建与评测协议。
PointGS：基于3D高斯泼溅的语义一致无监督3D点云分割
PointGS: Semantic-Consistent Unsupervised 3D Point Cloud Segmentation with 3D Gaussian Splatting
利用3D高斯泼溅作为中间表示，将稀疏点云重建为稠密高斯空间，再通过多视图渲染和SAM提取语义，用对比学习蒸馏到3D高斯基元，最后配准回原点云实现无监督分割。这为2D-3D语义迁移提供了一种可复用的技术路线，尤其适合标注稀缺的3D场景理解任务。
GeoFree-CoSeg：无需几何对齐的无监督点云-图像跨模态共分割
GeoFree-CoSeg: Unsupervised Point Cloud-Image Cross-Modal Co-Segmentation Without Geometric Alignment
提出无需几何对齐的点云-图像跨模态共分割设定，用跨模态公共语义图把2D/3D粗语义提纯为细粒度公共语义并互相增强，为多模态无监督分割提供了可复用的特征提纯与互增强框架。
GenMatter：用生成式物质模型感知物理对象
GenMatter: Perceiving Physical Objects with Generative Matter Models
把运动与外观特征层次化地组织成高斯粒子并聚类成可独立运动的实体，配合并行块吉布斯采样做硬件加速推理，为从光流/点轨迹中无监督地恢复可变形物体的3D结构与物体级分割提供了可复用的表示与采样方案。