SUFLECA：扩展特征学习实现CAD到图像对齐

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。

1. 问题背景：CAD到图像对齐的挑战与现有方法局限
2. 方法贡献：SUFLECA框架的两大核心——几何特征学习与几何一致匹配
3. 实验验证：在ScanNet25k等数据集上的性能对比与结果

• 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