SALT

SALT是一个灵活的半自动标注工具，由上海交通大学医学院附属自动化系开发。该工具能够适应不同场景，保持4D数据的一致性，并能够直接在原始LiDAR数据上自动生成预分割结果。它通过新的数据对齐范式实现了零样本学习能力，创建了一种无需训练的通用LiDAR数据标注工具，能够支持 absence of camera modality，适用于多种类型的LiDAR数据。

SALT is a flexible semi-automatic annotation tool developed by the Department of Automation, School of Medicine, Shanghai Jiao Tong University. This tool adapts to diverse scenarios, maintains the consistency of 4D data, and can automatically generate pre-segmentation results directly on raw LiDAR data. By leveraging a novel data alignment paradigm, it achieves zero-shot learning capabilities, creating a training-free, general-purpose LiDAR data annotation tool that supports camera-modality-free applications and is compatible with various types of LiDAR data.

搜集汇总

数据集介绍

构建方式

SALT数据集的构建采用了半自动标注工具，通过零样本学习范式实现跨场景适应性和4D一致性。该工具直接处理原始LiDAR数据，利用数据对齐策略将LiDAR数据转换为伪图像，使其与视觉基础模型的训练分布对齐。此外，通过4D一致提示策略和4D非极大值抑制模块，进一步优化了分割结果，确保了高质量的时序一致性预分割。

使用方法

SALT数据集的使用方法包括加载原始点云序列数据后，通过点击工具按钮自动生成整个序列的预分割结果。用户可自定义语义类别，并通过简单的点击操作将预分割结果分配到指定标签。对于不满意的预标注结果，用户可使用多边形工具进行修改。此外，工具支持自动分配实例ID，用户可进一步拆分或合并实例ID以优化结果。

背景与挑战

背景概述

SALT（Semi-Automatic Labeling Tool）是由上海交通大学医疗机器人研究所与自动化系团队于2025年提出的激光雷达点云半自动标注工具，旨在解决自动驾驶和机器人领域中3D点云标注成本高昂的痛点。该工具创新性地采用零样本学习范式，通过数据对齐技术将激光雷达数据转换为视觉基础模型（VFM）可处理的伪图像，结合4D一致性提示策略与非极大值抑制模块，在SemanticKITTI等基准上实现了超越现有零样本方法18.4%的PQ指标提升。其核心价值在于突破传统标注方法对特定传感器类型和相机标定的依赖，支持机械式、固态及混合固态激光雷达的跨场景自适应标注，为激光雷达基础模型的开发提供了数据支撑。

当前挑战

SALT面临的挑战主要体现在两方面：领域问题层面，激光雷达点云的稀疏性、多传感器数据分布差异以及4D全景分割的时序一致性要求，使得通用化零样本标注面临语义鸿沟与跨模态对齐难题；构建过程层面，伪相机投影的纹理保真度优化、点云信息最大化保留的权衡，以及无监督深度聚类网络的训练稳定性，均为实现高效数据对齐的关键技术瓶颈。此外，工具需在标注精度（如室内低线数雷达仅达人工标注40%性能）与效率（提升6倍）之间保持平衡，这对自适应的4D提示策略设计提出了严峻考验。

常用场景

经典使用场景

SALT数据集在自动驾驶和机器人领域的3D LiDAR点云分割任务中具有广泛应用。该数据集通过半自动标注工具（SALT）实现了跨场景适应性和4D一致性，能够处理不同类型的LiDAR数据（如机械旋转式、固态式和混合固态式）。其经典使用场景包括自动驾驶中的语义分割、实例分割和全景分割任务，特别是在复杂环境下的多模态数据融合和跨传感器数据标注中表现突出。

解决学术问题

SALT数据集解决了LiDAR点云标注中的高成本、低效率问题，通过零样本学习范式（data alignment）实现了跨域知识迁移，显著提升了标注效率。其创新性的4D一致性提示策略和4D非极大值抑制模块（4D NMS）解决了点云分割中的时间一致性问题。该数据集在SemanticKITTI和nuScenes等基准测试中超越了现有零样本方法18.4%的PQ（全景质量），为LiDAR基础模型的开发提供了高质量标注数据支持。

实际应用

在实际应用中，SALT数据集被广泛用于自动驾驶车辆的感知系统开发，支持多类型LiDAR传感器的数据融合标注。其标注工具已被应用于工业机器人、智能轮椅等场景的低成本LiDAR数据标注，在室内外环境中均展现出强大的适应性。通过将标注效率提升约6倍，该数据集显著降低了自动驾驶产业链中数据标注的门槛和成本，推动了行业级LiDAR数据集的规模化扩展。

数据集最近研究

最新研究方向

近年来，LiDAR点云数据在自动驾驶和机器人领域的应用日益广泛，但高质量标注数据的稀缺成为制约LiDAR基础模型发展的主要瓶颈。SALT（半自动标注工具）通过创新的数据对齐范式，将LiDAR点云转换为与视觉基础模型（VFM）训练分布一致的伪图像，实现了跨场景适应性和4D一致性的零样本分割。该工具在SemanticKITTI和nuScenes等公开基准测试中显著优于现有零样本方法，提升了18.4%的PQ（全景质量），并在低分辨率LiDAR和多种LiDAR组合数据上达到人工标注效能的40-50%，标注效率提升约6倍。SALT的开源有望推动LiDAR数据集的规模化扩展，为未来LiDAR基础模型的研发奠定基础。

相关研究论文

• SALT: A Flexible Semi-Automatic Labeling Tool for General LiDAR Point Clouds with Cross-Scene Adaptability and 4D Consistency

  上海交通大学医学院附属自动化系 · 2025年