Point cloud segmentation is a fundamental task in 3D. Despite recent progress on point cloud segmentation with the power of deep networks, current deep learning methods based on the clean label assumptions may fail with noisy labels. Yet, object class labels are often mislabeled in real-world point cloud datasets. In this work, we take the lead in solving this issue by proposing a novel Point Noise-Adaptive Learning (PNAL) framework. Compared to existing noise-robust methods on image tasks, our PNAL is noise-rate blind, to cope with the spatially variant noise rate problem specific to point clouds. Specifically, we propose a novel point-wise confidence selection to obtain reliable labels based on the historical predictions of each point. A novel cluster-wise label correction is proposed with a voting strategy to generate the best possible label taking the neighbor point correlations into consideration. We conduct extensive experiments to demonstrate the effectiveness of PNAL on both synthetic and real-world noisy datasets. In particular, even with $60\%$ symmetric noisy labels, our proposed method produces much better results than its baseline counterpart without PNAL and is comparable to the ideal upper bound trained on a completely clean dataset. Moreover, we fully re-labeled the test set of a popular but noisy real-world scene dataset ScanNetV2 to make it clean, for rigorous experiment and future research. Our code and data will be available at \url{https://shuquanye.com/PNAL_website/}.

中文翻译：

---

使用噪声标签学习以实现稳健的点云分割

点云分割是 3D 中的一项基本任务。尽管最近在利用深度网络的力量进行点云分割方面取得了进展，但当前基于干净标签假设的深度学习方法可能会因嘈杂的标签而失败。然而，对象类标签在现实世界的点云数据集中经常被错误标记。在这项工作中，我们通过提出一种新颖的点噪声自适应学习（PNAL）框架来率先解决这个问题。与现有的图像任务噪声鲁棒方法相比，我们的 PNAL 是噪声率盲的，以应对特定于点云的空间变异噪声率问题。具体来说，我们提出了一种新颖的逐点置信度选择，以根据每个点的历史预测获得可靠的标签。提出了一种新颖的逐簇标签校正，并采用投票策略来生成考虑到相邻点相关性的最佳标签。我们进行了广泛的实验，以证明 PNAL 在合成和现实世界的嘈杂数据集上的有效性。特别是，即使使用 $60\%$ 对称噪声标签，我们提出的方法也比没有 PNAL 的基线方法产生更好的结果，并且与在完全干净的数据集上训练的理想上限相当。此外，我们完全重新标记了一个流行但嘈杂的现实世界场景数据集 ScanNetV2 的测试集，使其干净，用于严格的实验和未来的研究。我们的代码和数据将在 \url{https://shuquanye.com/PNAL_website/} 上提供。我们进行了广泛的实验，以证明 PNAL 在合成和现实世界的嘈杂数据集上的有效性。特别是，即使使用 $60\%$ 对称噪声标签，我们提出的方法也比没有 PNAL 的基线方法产生更好的结果，并且与在完全干净的数据集上训练的理想上限相当。此外，我们完全重新标记了一个流行但嘈杂的现实世界场景数据集 ScanNetV2 的测试集，使其干净，用于严格的实验和未来的研究。我们的代码和数据将在 \url{https://shuquanye.com/PNAL_website/} 上提供。我们进行了广泛的实验，以证明 PNAL 在合成和现实世界的嘈杂数据集上的有效性。特别是，即使使用 $60\%$ 对称噪声标签，我们提出的方法也比没有 PNAL 的基线方法产生更好的结果，并且与在完全干净的数据集上训练的理想上限相当。此外，我们完全重新标记了一个流行但嘈杂的现实世界场景数据集 ScanNetV2 的测试集，使其干净，用于严格的实验和未来的研究。我们的代码和数据将在 \url{https://shuquanye.com/PNAL_website/} 上提供。我们提出的方法比没有 PNAL 的基线方法产生了更好的结果，并且与在完全干净的数据集上训练的理想上限相当。此外，我们完全重新标记了一个流行但嘈杂的现实世界场景数据集 ScanNetV2 的测试集，使其干净，用于严格的实验和未来的研究。我们的代码和数据将在 \url{https://shuquanye.com/PNAL_website/} 上提供。我们提出的方法比没有 PNAL 的基线方法产生了更好的结果，并且与在完全干净的数据集上训练的理想上限相当。此外，我们完全重新标记了一个流行但嘈杂的现实世界场景数据集 ScanNetV2 的测试集，使其干净，用于严格的实验和未来的研究。我们的代码和数据将在 \url{https://shuquanye.com/PNAL_website/} 上提供。