arXiv cs.AI· Yifei Zhao, Fanyu Zhao, Shengtang Wu, Han Zhang, Ruike Cao, Yinsheng Li·· 11 小时前AI 评分19
UGA：用不确定性门控梯度更新，提升广义少样本 3D 点云分割
Uncertainty Gates the Gradient: Adaptive Updates for Generalized Few-Shot 3D Segmentation
AI 导读
研究者提出 Uncertainty-Gated Adaptive（UGA）框架，将不确定性提升到更新级门控，用于广义少样本 3D 点云分割。核心模块 UG-Update 通过合并支持集与伪标签新类监督的类内离散度估计每轮可靠性，选择性门控残差梯度更新，并配合 UB-Filter 从高置信稠密信号中学习。
正文 · AI 翻译
摘要：在广义少样本 3D 点云分割中，支持标注往往因稀疏性和遮挡而质量受损。盲目适应此类低质量样本，可能导致模型学到虚假的几何模式，而非鲁棒的新概念。尽管已引入 3D 视觉-语言模型来补充监督，但不确定性主动调控适应动态的潜力仍未得到充分探索。现有的信号级方法（如损失重加权）无法阻止不可靠的 episode 引导优化轨迹。为此，我们提出不确定性门控自适应（UGA），据我们所知，这是首个将不确定性提升至更新级门控的广义少样本 3D 点云分割框架。核心模块不确定性门控更新（UG-Update）通过合并支持集与伪标注新类监督上的类内离散度来估计 episode 可靠性，并选择性地门控残差梯度更新。这鼓励模型从可靠 episode 中学习新语义，同时在不可靠 episode 中衰减更新。作为补充，我们引入基于不确定性的伪标签过滤器（UB-Filter），以强制从高置信度稠密信号中学习。在 ScanNet200 和 ScanNet++（1-/5-shot）上，UGA 以平均 +3.08 HM IoU 超越最强先前基线，创下新的最优结果。
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.26909 [cs.CV] |
| （或 arXiv:2610.26909v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.26909 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Yifei Zhao [查看邮箱]
[v1]
2026年10月17日星期六 04:05:32 UTC（8,572 KB）
来源：arXiv cs.AI · arxiv.org