論文の概要: 3D Test-time Adaptation via Graph Spectral Driven Point Shift
- arxiv url: http://arxiv.org/abs/2507.18225v1
- Date: Thu, 24 Jul 2025 09:18:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-25 15:10:43.325107
- Title: 3D Test-time Adaptation via Graph Spectral Driven Point Shift
- Title（参考訳）: グラフスペクトル駆動点シフトによる3次元テスト時間適応
- Authors: Xin Wei, Qin Yang, Yijie Fang, Mingrui Zhu, Nannan Wang,
- Abstract要約: Graph Spectral Domain Test-Time Adaptation (GSDTTA)は、3Dポイントクラウド分類のための新しいアプローチである。
これは、グラフスペクトル領域への適応をシフトさせ、より少ないパラメータでグローバルな構造特性をキャプチャすることで、より効率的な適応を可能にする。
ベンチマークデータセットに対する実験結果とアブレーション研究により,GSDTTAの有効性が示された。
- 参考スコア（独自算出の注目度）: 19.664235213514743
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While test-time adaptation (TTA) methods effectively address domain shifts by dynamically adapting pre-trained models to target domain data during online inference, their application to 3D point clouds is hindered by their irregular and unordered structure. Current 3D TTA methods often rely on computationally expensive spatial-domain optimizations and may require additional training data. In contrast, we propose Graph Spectral Domain Test-Time Adaptation (GSDTTA), a novel approach for 3D point cloud classification that shifts adaptation to the graph spectral domain, enabling more efficient adaptation by capturing global structural properties with fewer parameters. Point clouds in target domain are represented as outlier-aware graphs and transformed into graph spectral domain by Graph Fourier Transform (GFT). For efficiency, adaptation is performed by optimizing only the lowest 10% of frequency components, which capture the majority of the point cloud's energy. An inverse GFT (IGFT) is then applied to reconstruct the adapted point cloud with the graph spectral-driven point shift. This process is enhanced by an eigenmap-guided self-training strategy that iteratively refines both the spectral adjustments and the model parameters. Experimental results and ablation studies on benchmark datasets demonstrate the effectiveness of GSDTTA, outperforming existing TTA methods for 3D point cloud classification.
- Abstract（参考訳）: テスト時間適応(TTA)手法は、オンライン推論中に、トレーニング済みのモデルを対象のドメインデータに動的に適応させることにより、ドメインシフトに効果的に対処するが、それらの不規則かつ不規則な構造によって、3Dポイントクラウドへの適用が妨げられる。
現在の3D TTA法は計算コストのかかる空間領域最適化に依存しており、追加のトレーニングデータを必要とすることがある。
対照的に、グラフスペクトル領域テスト時間適応(GSDTTA)は、グラフスペクトル領域への適応をシフトし、より少ないパラメータでグローバルな構造特性をキャプチャすることで、より効率的な適応を可能にする、3Dポイントクラウド分類のための新しいアプローチである。
対象領域の点雲は外れ値対応グラフとして表現され、グラフフーリエ変換(GFT)によりグラフスペクトル領域に変換される。
効率性のためには、周波数成分の最低10%だけを最適化し、点雲のエネルギーの大部分を捕獲することで適応を行う。
逆 GFT (IGFT) を用いて、適応点雲をグラフスペクトル駆動点シフトで再構成する。
このプロセスは、スペクトル調整とモデルパラメータの両方を反復的に洗練する固有マップ誘導自己学習戦略によって強化される。
ベンチマークデータセットに対する実験結果とアブレーション研究により,GSDTTAの有効性が示され,既存のTTA法より3次元点雲分類に優れていた。
関連論文リスト
- Token Adaptation via Side Graph Convolution for Efficient Fine-tuning of 3D Point Cloud Transformers [1.19658449368018]
本稿では,近接グラフ(STAG)上でのサイドトークン適応(Side Token Adaptation)と呼ばれる新しいPEFTアルゴリズムを提案する。
STAGは、下流タスクにトークンを適用するために、凍結バックボーントランスフォーマーと並行して動作するグラフ畳み込みサイドネットワークを使用している。
また、さまざまな公開3Dポイントクラウドデータセットからなる新しいベンチマークであるPoint Cloud Classification 13 (PCC13)も紹介する。
論文 参考訳（メタデータ） (2025-02-19T22:58:56Z) - Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。
本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
論文 参考訳（メタデータ） (2024-11-21T14:19:32Z) - 3D Equivariant Pose Regression via Direct Wigner-D Harmonics Prediction [50.07071392673984]
既存の方法は、角度や四元数を用いて空間領域でパラメータ化された3次元回転を学習する。
本稿では,3次元回転回帰のためのWigner-D係数を直接予測する周波数領域アプローチを提案する。
提案手法は, ModelNet10-SO(3) や PASCAL3D+ などのベンチマーク上での最先端結果を実現する。
論文 参考訳（メタデータ） (2024-11-01T12:50:38Z) - CloudFixer: Test-Time Adaptation for 3D Point Clouds via Diffusion-Guided Geometric Transformation [33.07886526437753]
実世界のセンサーから捉えた3Dポイントの雲は、様々な障害物のためにしばしばノイズの多い点を包含する。
これらの課題は、クリーンポイントクラウドでトレーニングされたトレーニング済みのポイントクラウド認識モデルのデプロイを妨げる。
本研究では,3次元点雲に適したテスト時間入力適応法であるCloudFixerを提案する。
論文 参考訳（メタデータ） (2024-07-23T05:35:04Z) - Test-time adaptation for geospatial point cloud semantic segmentation with distinct domain shifts [6.80671668491958]
テスト時間適応(TTA)は、ソースデータへのアクセスや追加のトレーニングなしに、推論段階でラベル付けされていないデータに事前訓練されたモデルの直接適応を可能にする。
本稿では,3つの領域シフトパラダイムを提案する。光グラムから空気中LiDAR,空気中LiDAR,合成-移動レーザー走査である。
実験の結果,分類精度は最大20%mIoUに向上し,他の手法よりも優れていた。
論文 参考訳（メタデータ） (2024-07-08T15:40:28Z) - ASWT-SGNN: Adaptive Spectral Wavelet Transform-based Self-Supervised
Graph Neural Network [20.924559944655392]
本稿では,適応スペクトルウェーブレット変換を用いた自己教師付きグラフニューラルネットワーク(ASWT-SGNN)を提案する。
ASWT-SGNNは高密度スペクトル領域におけるフィルタ関数を正確に近似し、コストの高い固有分解を避ける。
ノード分類タスクにおける最先端モデルに匹敵するパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-12-10T03:07:42Z) - PointWavelet: Learning in Spectral Domain for 3D Point Cloud Analysis [82.91576069955619]
学習可能なグラフウェーブレット変換を用いてスペクトル領域の局所グラフを探索する新しい手法であるPointWaveletを導入する。
具体的には、まずグラフウェーブレット変換を導入し、マルチスケールのスペクトルグラフ畳み込みを行い、効率的な局所構造表現を学習する。
時間を要するスペクトル分解を避けるため、学習可能なグラフウェーブレット変換を考案し、全体のトレーニングプロセスを大幅に高速化する。
論文 参考訳（メタデータ） (2023-02-10T12:07:26Z) - Point Cloud Attacks in Graph Spectral Domain: When 3D Geometry Meets
Graph Signal Processing [30.86044518259855]
ポイントクラウド学習モデルは敵の攻撃に弱いことが示されている。
本稿では,様々な幾何学的構造に対応するスペクトル領域におけるグラフ変換係数の摂動を目的としたグラフスペクトル領域攻撃を提案する。
実験結果から,提案攻撃の有効性を,非受容性と攻撃成功率の両方の観点から検証した。
論文 参考訳（メタデータ） (2022-07-27T07:02:36Z) - Dual Adaptive Transformations for Weakly Supervised Point Cloud
Segmentation [78.6612285236938]
弱制御点雲分割のための新しいDATモデル(textbfDual textbfAdaptive textbfTransformations)を提案する。
我々は,大規模S3DISデータセットとScanNet-V2データセットの2つの人気バックボーンを用いたDATモデルの評価を行った。
論文 参考訳（メタデータ） (2022-07-19T05:43:14Z) - Spatio-Temporal Graph Scattering Transform [54.52797775999124]
グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。
我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
論文 参考訳（メタデータ） (2020-12-06T19:49:55Z) - Hypergraph Spectral Analysis and Processing in 3D Point Cloud [80.25162983501308]
3Dポイントクラウドは、3Dオブジェクトや周囲を特徴付ける基本的なデータ構造になっている。
3次元点雲を効率的に処理するには、基礎となる構造と外周騒音に適したモデルが常に重要である。
本稿では,高速な解析と処理が可能なハイパーグラフベースの新しいポイントクラウドモデルを提案する。
論文 参考訳（メタデータ） (2020-01-08T05:30:16Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。