基于2D-3D跨域适应与伪标签噪声校正的三维模型分类方法研究

为解决跨域三维模型分类中存在的3D标签依赖和伪标签噪声问题，研究人员创新性地提出基于2D-3D无监督域适应（UDA）和对抗性去噪的框架。该研究通过图像域丰富语义指导3D伪标签校正，完全摆脱对3D标注的依赖，在多个基准测试中展现出优于主流方法的鲁棒性和分类性能，为跨模态三维智能分析提供新思路。

　　

在计算机视觉与人工智能领域，三维模型分类是自动驾驶、增强现实等应用的核心技术。然而，当前方法面临两大瓶颈：一是三维数据标注成本高昂导致"数据荒"，二是跨域迁移时伪标签噪声累积严重影响分类性能。现有无监督域适应（UDA）方法虽能缓解域间差异，但在多类别、多场景任务中仍受限于3D源域标签依赖和单模态伪标签质量。

针对这一挑战，东南大学（根据基金编号2242024k30035推断）Tong Zhou和Mofei Song团队在《Pattern Recognition Letters》发表研究，提出革命性的2D-3D跨域分类框架。该工作突破性地利用图像域丰富语义实现无3D标注的跨模态迁移，通过三重创新设计：基于多视图投影的域对抗对齐、双分类器一致性约束，以及引入图像先验知识的伪标签噪声校正模块，在IM2MN等数据集上实现分类准确率显著提升。

关键技术包括：1）构建2D图像（ImageNet来源）与3D模型（ModelNet40等）跨域数据集IM2MN；2）采用梯度对齐策略最小化域分布差异；3）设计双一致性损失函数利用多视图冗余信息；4）开发基于图像语义先验的对抗去噪模块。

【研究结果】

1. 域对齐机制：通过特征生成器与分类器的对抗训练，使2D图像特征与3D多视图投影特征分布对齐，跨域分类准确率提升12.7%。
2. 双一致性约束：视角间判别一致性损失使模型在不同投影角度下保持稳定特征表达，错误传播减少38%。
3. 噪声校正模块：图像模态先验指导的对抗训练使伪标签F1-score提高21.3%，突破单模态去噪局限。

该研究首次实现完全脱离3D标注的跨域分类，验证了图像语义迁移在三维理解中的巨大潜力。所提框架在医疗影像分析、工业质检等领域具有广泛应用价值，其跨模态思想为多源异构数据融合研究开辟新方向。梯度对齐与对抗去噪的协同机制，更为解决跨域学习中的噪声累积问题提供了普适性方法论。