論文の概要: PointMAC: Meta-Learned Adaptation for Robust Test-Time Point Cloud Completion

• arxiv url: http://arxiv.org/abs/2510.10365v1
• Date: Sat, 11 Oct 2025 23:13:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.908829
• Title: PointMAC: Meta-Learned Adaptation for Robust Test-Time Point Cloud Completion
• Title（参考訳）: PointMAC: ロバストテスト時間クラウドコンプリートのためのメタラーニング適応
• Authors: Linlian Jiang, Rui Ma, Li Gu, Ziqiang Wang, Xinxin Zuo, Yang Wang,
• Abstract要約: ポイントクラウドの完成は、ロボティクスや拡張現実といった安全クリティカルなアプリケーションにおいて、堅牢な3D認識に不可欠である。 既存のモデルは静的推論を行い、トレーニング中に学んだ帰納バイアスに大きく依存する。 我々は,ポイントクラウド完了時の堅牢なテスト時間適応のためのメタ学習フレームワークであるPointMACを提案する。
• 参考スコア（独自算出の注目度）: 16.852116353523257
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point cloud completion is essential for robust 3D perception in safety-critical applications such as robotics and augmented reality. However, existing models perform static inference and rely heavily on inductive biases learned during training, limiting their ability to adapt to novel structural patterns and sensor-induced distortions at test time. To address this limitation, we propose PointMAC, a meta-learned framework for robust test-time adaptation in point cloud completion. It enables sample-specific refinement without requiring additional supervision. Our method optimizes the completion model under two self-supervised auxiliary objectives that simulate structural and sensor-level incompleteness. A meta-auxiliary learning strategy based on Model-Agnostic Meta-Learning (MAML) ensures that adaptation driven by auxiliary objectives is consistently aligned with the primary completion task. During inference, we adapt the shared encoder on-the-fly by optimizing auxiliary losses, with the decoder kept fixed. To further stabilize adaptation, we introduce Adaptive $\lambda$-Calibration, a meta-learned mechanism for balancing gradients between primary and auxiliary objectives. Extensive experiments on synthetic, simulated, and real-world datasets demonstrate that PointMAC achieves state-of-the-art results by refining each sample individually to produce high-quality completions. To the best of our knowledge, this is the first work to apply meta-auxiliary test-time adaptation to point cloud completion.
• Abstract（参考訳）: ポイントクラウドの完成は、ロボティクスや拡張現実といった安全クリティカルなアプリケーションにおいて、堅牢な3D認識に不可欠である。 しかし、既存のモデルは静的推論を実行し、トレーニング中に学んだ帰納的バイアスに大きく依存し、新しい構造パターンに適応する能力や、テスト時にセンサーによる歪みに適応する能力を制限する。 この制限に対処するために、ポイントクラウド完了時の堅牢なテスト時間適応のためのメタ学習フレームワークであるPointMACを提案する。 追加の監督を必要とせず、サンプル固有の精錬を可能にする。 本手法は、構造的およびセンサレベルの不完全性をシミュレートする2つの自己監督的補助的目的の下で、完了モデルを最適化する。 Model-Agnostic Meta-Learning (MAML)に基づくメタ補助学習戦略は、補助目的によって駆動される適応が一次完了タスクと一貫して一致していることを保証する。 推論中、デコーダを固定し、補助的な損失を最適化し、共有エンコーダをオンザフライで適応する。 さらに適応を安定化させるために,主目的と補助目的との勾配のバランスをとるメタ学習機構であるAdaptive $\lambda$-Calibrationを導入する。 合成、シミュレーション、実世界のデータセットに関する大規模な実験は、PointMACが個々のサンプルを個別に精製して高品質な完成品を生成することによって、最先端の結果を達成することを示した。 我々の知る限りでは、これはポイントクラウドの完了にメタ補助的なテスト時間適応を適用する最初の試みである。

関連論文リスト

• Bayesian Test-time Adaptation for Object Recognition and Detection with Vision-language Models [86.53246292425699]
  我々は、オブジェクト認識と検出の両方のためのTTAのためのトレーニングフリーフレームワークであるBCA+を提案する。 我々はベイズ推論問題として適応を定式化し、キャッシュベースの予測で初期VLM出力を融合することで最終的な予測を生成する。 BCA+は、認識と検出のベンチマークの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-10-03T06:27:33Z)
• APCoTTA: Continual Test-Time Adaptation for Semantic Segmentation of Airborne LiDAR Point Clouds [14.348191795901101]
  空中レーザースキャン(ALS)ポイントクラウドセグメンテーションは、大規模3Dシーン理解の基本的な課題である。 Continuous Test-Time Adaptation (CTTA)は、ソース予測モデルを適用して、未ラベルのターゲットドメインを進化させるソリューションを提供する。 我々は,ALSポイントクラウドセマンティックセグメンテーションに適した最初のCTTA手法であるAPCoTTAを提案する。
  論文  参考訳（メタデータ） (2025-05-15T05:21:16Z)
• Rethinking the Starting Point: Collaborative Pre-Training for Federated Downstream Tasks [21.842345900168525]
  CoPreFLはモデルに依存しないメタラーニング(MAML)プロシージャで、異種および目に見えないFLシナリオを忠実に模倣するようにグローバルモデルを調整する。 当社のMAML手順では,パフォーマンスの分散をメタオブジェクト関数に組み込んで,クライアント間でパフォーマンスのバランスをとる。 我々は,任意の下流FLタスク間の平均精度と分散の両面で,CoPreFLが大幅に改善されることを実証した。
  論文  参考訳（メタデータ） (2024-02-03T17:58:43Z)
• Towards Continual Learning Desiderata via HSIC-Bottleneck Orthogonalization and Equiangular Embedding [55.107555305760954]
  本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。 提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
  論文  参考訳（メタデータ） (2024-01-17T09:01:29Z)
• Enhancing Plasticity for First Session Adaptation Continual Learning [20.62749699589017]
  クラスインクリメンタルラーニング(PLASTIC)における塑性強化テスト時間適応の導入 PLASTICはモデル安定性を維持しながら可塑性をCILに再蓄積する。 従来型と最先端のPTMベースのCILアプローチを一貫して上回ります。
  論文  参考訳（メタデータ） (2023-10-17T13:06:39Z)
• Meta-Learning with Self-Improving Momentum Target [72.98879709228981]
  メタラーナーの性能を向上させるために,SiMT(Self-improving Momentum Target)を提案する。 SiMTはメタラーナーの時間アンサンブルから適応してターゲットモデルを生成する。 我々は、SiMTが幅広いメタ学習手法と組み合わせることで、大きなパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-10-11T06:45:15Z)
• On Fast Adversarial Robustness Adaptation in Model-Agnostic Meta-Learning [100.14809391594109]
  モデルに依存しないメタラーニング(MAML)は、数発の学習において最も成功したメタラーニング手法の1つである。 メタモデルの一般化力にもかかわらず、マルチショット学習においてMDLがいかに敵対的堅牢性を維持することができるかは明らかではない。 本稿では,ラベルなしデータ拡張,高速な攻撃生成,計算量軽微な微調整を可能にする,汎用的かつ最適化が容易なロバストネス正規化メタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-20T22:03:04Z)
• Meta-Learning with Neural Tangent Kernels [58.06951624702086]
  メタモデルのニューラルタンジェントカーネル(NTK)によって誘導される再生カーネルヒルベルト空間(RKHS)における最初のメタラーニングパラダイムを提案する。 このパラダイムでは,MAMLフレームワークのように,最適な反復内ループ適応を必要としない2つのメタ学習アルゴリズムを導入する。 本研究の目的は,1) 適応をRKHSの高速適応正則化器に置き換えること,2) NTK理論に基づいて解析的に適応を解くことである。
  論文  参考訳（メタデータ） (2021-02-07T20:53:23Z)

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。