单张图就能高精度分割平面！新框架逐像素预测平面性，几何精度和效率双超SOTA
Pixel-wise Planarity for High-Precision Monocular Plane Segmentation
📖 AI 总结
本文提出了一种面向单目平面分割的像素级平面性预测框架，旨在解决单张RGB图像中因区域分组不精确和几何监督不一致而导致的过分割与误检问题。方法基于预训练的单目几何骨干网络预测深度与表面法线，并引入专门的平面性预测头，估计每个像素的平面置信度；推理阶段将深度、法线与平面性结合，通过轻量级区域生长过程在构建平面片段时施加几何一致性约束。作者还分析了现有平面真值标注，发现其在严格距离阈值下存在显著的几何不一致。在多个数据集上，该方法相比此前最优方法提升了几何精度与分割质量，同时提高了计算效率。该工作为单目平面分割提供了更可靠的像素级监督思路，并揭示了现有基准标注的质量隐患。
🔑 关键词速览
| 平面分割 | 从图像中识别并划分出属于同一三维平面的像素区域的任务。 |
| 逐像素平面性 | 为每个像素预测其属于某个平面的置信度，而非直接分割区域。 |
| 单目几何主干网络 | 预训练的神经网络，从单张图像预测深度和表面法线等几何信息。 |
| 区域生长 | 一种图像分割方法，从种子点开始合并具有相似属性的相邻像素。 |
| 几何一致性 | 在分割过程中确保同一平面内的像素在深度和法线等几何属性上保持一致。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅