CVPR'24｜ETH Zurich等团队：重新定义小样本3D分割任务，新基准开启广阔提升潜力！

主要观点总结

本文关注小样本3D分割任务，确定了当前任务中的两个关键问题并进行了改正，引入了新的标准化setting和评价benchmark。提出了新的correlation优化范式和模型COSeg，实现了所有3D few-shot任务上的最佳性能。

关键观点总结

关键观点1: 当前小样本3D分割任务存在的问题

作者指出了当前小样本3D分割任务中的两个关键问题：前景泄漏和稀疏点分布。这两个问题降低了任务的难度，使得模型无法真正学习到有效的特征，影响了模型的泛化性能。

关键观点2: 新的标准化setting和评价benchmark

为了解决上述问题，作者提出了一个新的标准化setting，通过均匀采样并增加采样点数来更真实地模拟实际应用场景。同时，也建立了新的评价benchmark来更准确地评估模型性能。

关键观点3: 新的模型COSeg

作者提出了一个新的模型COSeg，该模型采用correlation优化范式，直接优化support和query之间的关联关系，增强了模型的泛化能力。在COSeg中，通过计算每个query点与support prototypes之间的Class-specific Multi-prototypical Correlation（CMC），并利用Hyper Correlation Augmentation（HCA）模块优化correlations，实现了更好的分割效果。

关键观点4: 实验结果和贡献

作者在文中进行了广泛的实验，证明了COSeg模型在改正后的标准setting下实现了最佳的性能。同时，也提供了消融实验来证明设计的有效性和correlation优化范式的优越性。作者还总结了该文章的研究贡献和潜在的研究方向，包括解决base类别干扰问题、提高模型的训练和推理效率等。