不确定性门控梯度更新，少样本3D分割新SOTA提升3.08个点！
Uncertainty Gates the Gradient: Adaptive Updates for Generalized Few-Shot 3D Segmentation
📖 AI 总结
该论文针对广义少样本3D点云分割中支持样本稀疏、遮挡导致标注质量低的问题，指出直接适应低质量样本会学到虚假几何模式而非稳健的新类概念。现有损失重加权等信号级方法无法阻止不可靠样本影响优化轨迹。作者提出不确定性门控自适应框架UGA，其核心模块UG-Update通过合并支持集与伪标注新类监督的类内离散度估计样本可靠性，并选择性门控残差梯度更新，使模型从可靠样本学习新语义、在不可靠时衰减更新；同时引入基于不确定性的伪标签过滤器UB-Filter，确保从高置信稠密信号中学习。在ScanNet200和ScanNet++的1-shot与5-shot设置上，UGA较最强基线平均提升3.08 HM IoU，取得新的最优结果。该工作首次将不确定性提升至更新级门控，为少样本3D分割提供了更稳健的适应机制。
🔑 关键词速览
| 广义少样本3D点云分割 | 在3D点云上同时分割基类和新类，且新类仅有少量标注样本的任务。 |
| 不确定性门控自适应 (UGA) | 一种利用不确定性在更新层面控制梯度更新的自适应框架。 |
| 不确定性门控更新 (UG-Update) | UGA的核心模块，通过类内离散度估计片段可靠性并门控残差梯度更新。 |
| 基于不确定性的伪标签过滤器 (UB-Filter) | 一种利用不确定性筛选高置信度伪标签的过滤机制。 |
| HM IoU | 调和平均交并比，用于综合评估基类和新类分割性能的指标。 |
📱 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