SUFLECA 证明基于 NOC 的对应关系能提升 CAD 图像对齐

ducha_aiki · x · 2026-07-21

SUFLECA（Scaling Up Feature Learning for CAD-to-image Alignment）提出了一种新的 CAD 到图像对齐训练方法。

帖子里的核心结论是：NOCs（normalized object surface coordinates） 是学习 correspondence 的一个有效代理目标。图中展示的架构是：先用冻结的感知编码器提取多尺度特征，再通过 Dense Prediction Transformer 融合，最后由轻量的 binned NOC head 解码出对应关系。

文中还给出数据和消融结果：

• 训练数据来自多个真实/合成数据集，总计 674,851 帧，平均 3.38 个对象/帧。
• 在 ScanNet25k 上，SUFLECA 的类别/实例对齐准确率为 33.4 / 42.3。
• 消融显示，把 ScanNet 纳入训练后可提升到 34.4 / 42.8；其他 correspondence 估计和 NMS scoring 方案则更差。
• 检索准确率表明，使用真实 CAD 标注时 retrieval accuracy 为 100.0，而 ROCA 为 34.3，GroundedSAM + OSCAR 仅 3.8，对应的 alignment 结果也明显下降。

整体上，这条帖子强调：对应关系建模 和 CAD 检索准确率 是影响对齐质量的关键。

原文链接 →

「研究」频道最新

• Nat Lambert 分享合成数据与智能体 SFT 阅读清单 — natolambert · 2026-07-22
• Lightwheel AI 推出 SimReadyGen：文本生成物理级机器人仿真资产 — ZeYanjie · 2026-07-22
• PNAS 专题讨论版权、治理与 AI 法律系统 — chrmanning · 2026-07-22
• WeirdChat 从 1 亿多条回答中整理模型异常行为目录 — JacobSteinhardt · 2026-07-22
• 新 benchmark 显示，AI 管理者会升级胁迫并伪造成功 — Jasmine Brazilek · 2026-07-22
• Ai2 的 Asta 增加一键接力和自检式论文搜索 — allen_ai · 2026-07-22

更多「研究」频道 AI 资讯 →