論文の概要: UPDA: Unsupervised Progressive Domain Adaptation for No-Reference Point Cloud Quality Assessment

• arxiv url: http://arxiv.org/abs/2602.11969v1
• Date: Thu, 12 Feb 2026 14:02:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.859095
• Title: UPDA: Unsupervised Progressive Domain Adaptation for No-Reference Point Cloud Quality Assessment
• Title（参考訳）: UPDA: ノンリファレンスポイントクラウド品質評価のための教師なしプログレッシブドメイン適応
• Authors: Bingxu Xie, Fang Zhou, Jincan Wu, Yonghui Liu, Weiqing Li, Zhiyong Su,
• Abstract要約: NR-PCQAのための非教師なしプログレッシブドメイン適応(UPDA)フレームワークを提案する。 粗粒化段階では, 整合性を考慮した粗粒化法が, クロスドメインサンプル間の品質関係を捉えるために設計されている。 微粒化段階では、対称的特徴融合を伴う知覚融合微粒化アライメント手法を開発し、ドメイン不変の特徴を同定する。
• 参考スコア（独自算出の注目度）: 15.162901714953643
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While no-reference point cloud quality assessment (NR-PCQA) approaches have achieved significant progress over the past decade, their performance often degrades substantially when a distribution gap exists between the training (source domain) and testing (target domain) data. However, to date, limited attention has been paid to transferring NR-PCQA models across domains. To address this challenge, we propose the first unsupervised progressive domain adaptation (UPDA) framework for NR-PCQA, which introduces a two-stage coarse-to-fine alignment paradigm to address domain shifts. At the coarse-grained stage, a discrepancy-aware coarse-grained alignment method is designed to capture relative quality relationships between cross-domain samples through a novel quality-discrepancy-aware hybrid loss, circumventing the challenges of direct absolute feature alignment. At the fine-grained stage, a perception fusion fine-grained alignment approach with symmetric feature fusion is developed to identify domain-invariant features, while a conditional discriminator selectively enhances the transfer of quality-relevant features. Extensive experiments demonstrate that the proposed UPDA effectively enhances the performance of NR-PCQA methods in cross-domain scenarios, validating its practical applicability. The code is available at https://github.com/yokeno1/UPDA-main.
• Abstract（参考訳）: No-Reference Point Cloud Quality Assessment (NR-PCQA)アプローチは過去10年間で大きな進歩を遂げてきたが、トレーニング(ソースドメイン)とテスト(ターゲットドメイン)データの間に分散ギャップが存在する場合、そのパフォーマンスは大幅に低下することが多い。 しかし、これまでは、NR-PCQAモデルのドメイン間での転送に限定的な注意が払われてきた。 この課題に対処するために、我々はNR-PCQAのための最初の非教師なしプログレッシブドメイン適応(UPDA)フレームワークを提案し、ドメインシフトに対処するための2段階の粗いアライメントパラダイムを導入する。 粗粒化段階では, クロスドメインサンプル間の相対的品質関係を, 新規な品質差認識ハイブリッド損失によって捕捉し, 直接絶対的特徴アライメントの課題を回避するために, 粗粒化法を設計する。 微粒化段階において、対称的特徴融合を伴う知覚融合微粒化アライメント手法を開発し、ドメイン不変の特徴を識別する一方、条件判別器は品質関連特徴の伝達を選択的に促進する。 広汎な実験により,提案したUPDAは,クロスドメインシナリオにおけるNR-PCQA法の性能を効果的に向上し,その実用性を検証する。 コードはhttps://github.com/yokeno1/UPDA-mainで公開されている。

関連論文リスト

• Prototype-Based Semantic Consistency Alignment for Domain Adaptive Retrieval [30.96614100772607]
  Prototype-Based Semantic Consistency Alignment (PSCA) は、効果的なドメイン適応検索のための2段階のフレームワークである。 PSCAはクラスレベルのセマンティック接続を確立し、クラス内のサンプルを収集しながらクラス間のセパビリティを最大化する。 第2段階では、ドメイン固有の量子化関数が相互近似制約の下で再構成された特徴を処理し、ドメイン間で統一されたバイナリハッシュコードを生成する。
  論文  参考訳（メタデータ） (2025-12-04T07:16:42Z)
• Domain Adaptation via Feature Refinement [0.3867363075280543]
  本稿では,分散シフト下での非教師付きドメイン適応のための簡易かつ効果的なフレームワークであるDAFR(Domain Adaptation via Feature Refinement)を提案する。 提案手法は, ラベルなし対象データを用いたバッチ正規化統計の適応, ソース学習モデルからの特徴蒸留, 仮説伝達の3つの重要な要素を組み合わせた。
  論文  参考訳（メタデータ） (2025-08-22T06:32:19Z)
• Enhancing Transferability and Consistency in Cross-Domain Recommendations via Supervised Disentanglement [13.553355329509243]
  クロスドメインレコメンデーションは、ドメイン間で知識を伝達することで、データの疎さを軽減することを目的としている。 分散表現学習は、複雑なユーザの好みをモデル化するための効果的なソリューションを提供する。 本稿では,GNN を拡張したエンコーダデコーダフレームワーク DGCDR を提案する。
  論文  参考訳（メタデータ） (2025-07-23T01:29:45Z)
• Overcoming Negative Transfer by Online Selection: Distant Domain Adaptation for Fault Diagnosis [42.85741244467877]
  遠距離領域適応問題」という用語は、ラベル付きソースドメインからラベル付き未ラベルのターゲットドメインへの適応の難しさを記述している。 この問題は、ソースドメインからの外部知識がターゲットドメインのパフォーマンスに悪影響を及ぼす、負の転送のリスクを示す。 この課題に対応するために、我々は、新しいオンライン選択適応(OSAA)アプローチを提案する。
  論文  参考訳（メタデータ） (2024-05-25T07:17:47Z)
• DSD-DA: Distillation-based Source Debiasing for Domain Adaptive Object Detection [37.01880023537362]
  我々は、ドメイン適応オブジェクト検出(DAOD)のための新しい蒸留系ソースデバイアス(DSD)フレームワークを提案する。 このフレームワークは、事前訓練された教師モデルからドメインに依存しない知識を抽出し、両方のドメインにおける検出器の性能を向上させる。 また,DCE(Domain-Aware Consistency Enhancing)戦略を提案し,これらの情報を新たなローカライゼーション表現に定式化する。
  論文  参考訳（メタデータ） (2023-11-17T10:26:26Z)
• Test-time Adaptation in the Dynamic World with Compound Domain Knowledge Management [75.86903206636741]
  テスト時間適応(TTA)により、モデルは新しい環境に適応し、テスト時間中にパフォーマンスを向上させることができる。 TTAのいくつかの研究は、継続的に変化する環境において、有望な適応性能を示している。 本稿ではまず,複合ドメイン知識管理を用いた堅牢なTTAフレームワークを提案する。 次に、ソースと現在のターゲットドメイン間のドメイン類似性を用いて適応率を変調する新しい正規化を考案する。
  論文  参考訳（メタデータ） (2022-12-16T09:02:01Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Selective Pseudo-Labeling with Reinforcement Learning for Semi-Supervised Domain Adaptation [116.48885692054724]
  半教師付きドメイン適応のための強化学習に基づく選択擬似ラベル法を提案する。 高精度かつ代表的な擬似ラベルインスタンスを選択するための深層Q-ラーニングモデルを開発する。 提案手法は, SSDAのベンチマークデータセットを用いて評価し, 全ての比較手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-12-07T03:37:38Z)
• Towards Fair Knowledge Transfer for Imbalanced Domain Adaptation [61.317911756566126]
  本研究では,不均衡なドメイン間学習における公平性問題に対処するTowards Fair Knowledge Transferフレームワークを提案する。 具体的には、新規なクロスドメインミックスアップ生成を利用して、ターゲット情報でマイノリティソースセットを増強し、公正性を高める。 本モデルでは,2つのベンチマークで全体の精度を20%以上向上させる。
  論文  参考訳（メタデータ） (2020-10-23T06:29:09Z)
• Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
  教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。 従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。 本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-02-12T09:45:39Z)
• Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
  個人再識別のための教師なし領域適応手法を提案する。 実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-01-14T17:43:52Z)

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。