在计算机视觉领域，3D点云的语义分割是近年来备受关注的研究方向之一。然而，由于数据集规模和标注成本的限制，小样本3D点云语义分割（FS-PCS）面临着诸多挑战。为了填补这一研究空白，ETH Zurich等团队在CVPR 2024上提交了一篇论文，对FS-PCS进行了重新思考和定义。
该研究的重点是解决当前FS-PCS方法中存在的两个关键问题：前景泄漏和稀疏点分布。前景泄漏问题源于非均匀点采样，使得模型能够区分前景和背景的密度差异，从而更容易进行分割。然而，这种方式可能导致模型过于依赖这种差异，从而在真实世界的应用中表现不佳。
另一方面，稀疏点分布问题是由于仅采样2,048个点而导致的。这种限制使得模型无法获取足够的语义信息，从而在分割任务中产生偏差。为了解决这些问题，研究人员提出了一种标准化的FS-PCS设置，并基于此构建了新的基准。
与以往主要通过优化支持特征来增强原型的方法不同，该研究提出了一种基于相关性优化的方法，称为相关性优化分割（COSeg）。具体而言，COSeg通过计算每个查询点与类别原型之间的类特定多原型相关性（CMC）来表征其相关性。然后，通过引入超相关性增强（HCA）模块来增强CMC。
此外，为了解决小样本训练导致的模型对基础类的敏感性问题，研究人员还提出了在训练过程中学习非参数原型的方法。这些学习到的基础原型被用于通过基础原型校准（BPC）模块对背景类的相关性进行校准。
在对多个流行数据集的实验中，COSeg方法被证明在性能上优于现有方法。这一结果表明，通过重新定义FS-PCS任务并提出新的解决方案，研究人员为该领域带来了显著的提升潜力。
然而，尽管COSeg在实验中表现出色，但仍然存在一些潜在的问题和限制。首先，相关性优化的方法可能对数据集的依赖性较强，因此在其他领域或任务中的泛化能力可能受到限制。其次，学习非参数原型的方法可能需要更多的计算资源和时间，这可能会限制其在实际应用中的可行性。
此外，尽管COSeg解决了前景泄漏和稀疏点分布等问题，但仍然存在其他挑战，如遮挡、噪声和类内变化等。这些问题可能需要进一步的研究和探索来解决。
