主要观点总结
本文介绍两篇关于无监督点云语义分割的论文，分别是《GrowSP: Unsupervised Semantic Segmentation of 3D Point Clouds》和《PointDC: Unsupervised Semantic Segmentation of 3D Point Clouds via Cross-modal Distillation and Super-Voxel Clustering》。这两篇论文都针对无监督三维点云语义分割问题提出了全新的方法，且都在多个数据集上取得了令人印象深刻的性能。本文还介绍了这两篇论文的主要内容和贡献。
关键观点总结
关键观点1: 《GrowSP: Unsupervised Semantic Segmentation of 3D Point Clouds》的主要内容和贡献
该论文提出了一种全新的无监督三维点云语义分割方法GrowSP，通过逐步增长的超点来发现3D语义元素。方法包括特征提取模块、超点构建模块和语义基元聚类模块。实验结果表明，该方法在多个三维点云数据集上取得了有前景的语义分割效果，显著优于将2D适配到3D的方法和3D自监督预训练方法。
关键观点2: 《PointDC: Unsupervised Semantic Segmentation of 3D Point Clouds via Cross-modal Distillation and Super-Voxel Clustering》的主要内容和贡献
该论文第一次尝试进行无监督的3D语义分割，提出了一种新的无监督三维语义分割方法PointDC，包括跨模态蒸馏和超体素聚类两个步骤。该方法在各种复杂数据集上的分割效果都有了显著的提高。
文章预览
作者 | NNU三维世界 最近小编发现两篇关于无监督点云语义分割的工作，分享给大家： 1、《GrowSP: Unsupervised Semantic Segmentation of 3D Point Clouds》 2、《PointDC: Unsupervised Semantic Segmentation of 3D Point Clouds via Cross-modal Distillation and Super-Voxel Clustering》 Paper 1 题 目：GrowSP: Unsupervised Semantic Segmentation of 3D Point Clouds 作 者： Zihui Zhang，Bo Yang，Bing Wang，Bo Li 会 议： Conference on Computer Vision and Pattern Recognition（CVPR2023） 论文链接： https://openaccess.thecvf.com/content/CVPR2023/papers/Zhang_GrowSP_Unsupervised_Semantic_Segmentation_of_3D_Point_Clouds_CVPR_2023_paper.pdf 项目连接：https://github.com/vLAR-group/GrowSP 01 动机 近年来，三维点云处理在计算机视觉和机器学习领域引起了广泛的关注。然而，现有的点云分割方法通常需要大量标注好的训练数据，这在实践中限制了它们的应用范围。针对这一问题，本文
………………………………
