SUFLECA：扩展特征学习实现CAD到图像对齐
摘要
SUFLECA是一个弱监督框架，通过归一化对象坐标（NOCs）监督在67.4万张图像上学习几何感知特征，并设计几何一致匹配算法，实现零样本CAD到图像对齐。在ScanNet25k上，类别/实例准确率达33.4%/42.3%，超越最强零样本基线10.3/12.2个百分点，甚至首次超越全监督方法。
核心要点
- SUFLECA利用NOCs监督在12个真实和合成数据集的67.4万张图像上训练，学习跨域泛化的几何特征。
- 提出几何一致匹配算法，建立可靠的一对一CAD到图像对应关系。
- 在ScanNet25k上，类别准确率33.4%，实例准确率42.3%，计算开销更小。
- 超越最强零样本基线10.3/12.2个百分点，并首次在该基准上超越全监督方法。
- 代码开源：https://github.com/snt-arg/SUFLECA
AI 洞察
该工作表明，通过大规模弱监督学习几何特征，可以在特定视觉任务上超越全监督方法，为减少对标注数据的依赖提供了新思路。