论文题目：Uncertainty-aware Superpoint Graph Transformer for Weakly Supervised 3D Semantic Segmentation
作者：范妍（博士研究生）, 王煜, 朱鹏飞, 惠乐，谢晋, 胡清华
论文概述：
弱监督3D语义分割有效减轻了3D点云标注这一繁琐且耗时的工作。然而，在复杂和大规模场景中，如何可靠地利用极少的点级标注来学习未标注数据，依然是一个挑战，例如在200万个点中仅有20个点被标注。为应对这一挑战，我们提出了一种新的不确定性感知超点图Transformer（UaSGT）框架，该框架通过从标记超点到未标记超点的可靠长距离监督传播，利用极少的标注实现大量未标注数据的学习。首先，我们提出了一种超点图Transformer实现长距离监督传播，传播过程通过基于注意力的模糊子集实现。基于注意力的模糊子集衡量了未标记超点对以标记超点为聚类中心隶属度。其次，我们在模糊子集上采用了一种基于不确定性的隶属度修正技术，以确保同一类别内超点之间的可靠传播。该技术整合了一个不确定性预测模块，用于屏蔽不可靠隶属度的影响，以及一个空间先验细化模块，用于减少类内隶属度的不确定性。最终，在两个大规模基准测试S3DIS和ScanNet-V2上的实验结果表明，与现有最先进方法相比，我们的方法在至少减少90%标注的情况下仍具有优越性，且在标注点不到0.1%的情况下也实现了与全监督方法相当的性能。
