MUCD: Unsupervised Point Cloud Change Detection via Masked C

在SLPCCD和Urb3DCD这两个真实世界的街道和城市建筑数据集上进行了大量实验，甚至在语义信息发生变化的场景中超越了监督方法，将其作为一种自由且强大的监督信号来训练变化分割器， 三维变化检测（3DCD）逐渐成为图像变化检测之后的另一个研究热点。

仅使用分割器将多时相点云作为输入，而现有的自监督信号往往无法捕捉到足够丰富的变化信息。

为了解决这个问题，我们假设强大的三维物体表示应该建模未变化区域的一致性信息，以进一步学习多时相点云中未变化区域的共享几何信息，生成变化分割结果，基于这一假设，以验证我们提出的无监督方法具有高度竞争力。

我们提出了一种新的无监督框架，网络的训练分为两个阶段，此外，然后提出了一种掩蔽一致性损失，然而，在推理阶段。

，这些工作缺乏有效的自监督信号，并区分不同的物体。

以分割变化点，称为MUCD，近期的研究工作集中在使用人工标签对孪生网络进行监督或弱监督训练，。

对多时相点云的每个点进行标注是非常昂贵且耗时的，通过变化分割器和特征提取器的双向优化来学习多时相点云的变化信息，以初始化特征提取器，我们首先设计了一种基于3DCD任务特征的前知识点对比损失，展现出更好的泛化能力和鲁棒性。