論文の概要: Mamba Learns in Context: Structure-Aware Domain Generalization for Multi-Task Point Cloud Understanding

• arxiv url: http://arxiv.org/abs/2603.20739v1
• Date: Sat, 21 Mar 2026 09:55:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.064188
• Title: Mamba Learns in Context: Structure-Aware Domain Generalization for Multi-Task Point Cloud Understanding
• Title（参考訳）: コンテキストで学ぶMamba:マルチタスクポイントクラウド理解のための構造認識ドメインの一般化
• Authors: Jincen Jiang, Qianyu Zhou, Yuhang Li, Kui Su, Meili Wang, Jian Chang, Jian Jun Zhang, Xuequan Lu,
• Abstract要約: 本研究では,ドメインやタスク間の構造的階層を保存するための,マンバをベースとしたIn-Context LearningフレームワークであるStructure-Aware Domain Generalization (SADG)を提案する。 SADGは、変換不変配列を生成するために、セントロイドベースのトポロジーと測地線曲率連続性を使用する。 それは、再構築、装飾、登録を含む複数のタスクにわたる最先端の手法を一貫して上回る。
• 参考スコア（独自算出の注目度）: 36.012422604739236
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While recent Transformer and Mamba architectures have advanced point cloud representation learning, they are typically developed for single-task or single-domain settings. Directly applying them to multi-task domain generalization (DG) leads to degraded performance. Transformers effectively model global dependencies but suffer from quadratic attention cost and lack explicit structural ordering, whereas Mamba offers linear-time recurrence yet often depends on coordinate-driven serialization, which is sensitive to viewpoint changes and missing regions, causing structural drift and unstable sequential modeling. In this paper, we propose Structure-Aware Domain Generalization (SADG), a Mamba-based In-Context Learning framework that preserves structural hierarchy across domains and tasks. We design structure-aware serialization (SAS) that generates transformation-invariant sequences using centroid-based topology and geodesic curvature continuity. We further devise hierarchical domain-aware modeling (HDM) that stabilizes cross-domain reasoning by consolidating intra-domain structure and fusing inter-domain relations. At test time, we introduce a lightweight spectral graph alignment (SGA) that shifts target features toward source prototypes in the spectral domain without updating model parameters, ensuring structure-preserving test-time feature shifting. In addition, we introduce MP3DObject, a real-scan object dataset for multi-task DG evaluation. Comprehensive experiments demonstrate that the proposed approach improves structural fidelity and consistently outperforms state-of-the-art methods across multiple tasks including reconstruction, denoising, and registration.
• Abstract（参考訳）: 最新のTransformerとMambaアーキテクチャは高度なポイントクラウド表現学習を備えているが、通常は単一タスクや単一ドメイン設定用に開発されている。 それらをマルチタスク領域一般化(DG)に直接適用すると、性能が劣化する。 トランスフォーマーは、グローバルな依存関係を効果的にモデル化するが、2次的注意コストに悩まされ、明示的な構造的順序付けが欠如する一方、Mambaは線形時間繰り返しを提供するが、しばしば座標駆動シリアライゼーションに依存し、視点の変化や欠落した領域に敏感であり、構造的ドリフトと不安定なシーケンシャルモデリングを引き起こす。 本稿では,マンバを基盤としたドメイン・タスク間の構造的階層を維持するインコンテキスト・ラーニング・フレームワークであるStructure-Aware Domain Generalization (SADG)を提案する。 我々は、遠心波トポロジーと測地線曲率連続性を用いて変換不変配列を生成する構造認識シリアライゼーション(SAS)を設計する。 さらに、ドメイン内構造の統合とドメイン間関係の融合によりドメイン間推論を安定化する階層型ドメイン認識モデリング(HDM)を考案する。 テスト時に、モデルパラメータを更新することなく、ターゲットの機能をスペクトル領域のプロトタイプにシフトさせ、構造保存されたテスト時間の特徴シフトを確実にする、軽量なスペクトルグラフアライメント(SGA)を導入する。 さらに,マルチタスクDG評価のためのリアルタイムオブジェクトデータセットMP3DObjectを導入する。 総合的な実験により、提案手法は構造的忠実性を改善し、復元、復調、登録を含む複数のタスクにまたがる最先端の手法を一貫して上回ることを示した。

関連論文リスト

• BiCLIP: Domain Canonicalization via Structured Geometric Transformation [4.679031868857942]
  BiCLIPは、クロスモーダルアライメントを強化するために、マルチモーダル機能にターゲット変換を適用するフレームワークである。 我々のアプローチは、極端に単純でパラメータのフットプリントが低いのが特徴です。
  論文  参考訳（メタデータ） (2026-03-09T21:26:15Z)
• SA^2GFM: Enhancing Robust Graph Foundation Models with Structure-Aware Semantic Augmentation [20.028450229306554]
  ドメイン適応表現を改善する堅牢なグラフ基礎モデル(GFM)フレームワークであるSA2GFMを提案する。 ノードとグラフの分類において,SA2GFMはランダムノイズに対する有効性とロバスト性において,9つの最先端ベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2025-11-26T08:26:01Z)
• FOUND: Fourier-based von Mises Distribution for Robust Single Domain Generalization in Object Detection [46.14695068852788]
  オブジェクト検出のための単一ドメインの一般化は、対象ドメインに効果的に一般化できる単一のソースドメイン上でモデルをトレーニングすることを目的としている。 本稿では、von Mises-Fisher(vMF)分布とフーリエ変換をCLIP誘導パイプラインに統合することにより、オブジェクト検出を強化する新しいフレームワークを提案する。 提案手法はCLIPのセマンティックアライメントの利点を保全するだけでなく,機能多様性とドメイン間の構造的整合性も強化する。
  論文  参考訳（メタデータ） (2025-11-13T14:28:10Z)
• Time Series Domain Adaptation via Latent Invariant Causal Mechanism [28.329164754662354]
  時系列領域適応は、ラベル付けされたソースドメインからラベル付けされていないターゲットドメインに複雑な時間依存性を転送することを目的としている。 近年の進歩は、観測変数に対する安定した因果機構を利用して、ドメイン不変時間依存をモデル化している。 しかし、ビデオのような高次元データにおける正確な因果構造をモデル化することは依然として困難である。
  論文  参考訳（メタデータ） (2025-02-23T16:25:58Z)
• START: A Generalized State Space Model with Saliency-Driven Token-Aware Transformation [27.301312891532277]
  ドメイン一般化(Domain Generalization, DG)は、複数のソースドメインから学習することで、モデルが対象ドメインを見えないように一般化できるようにすることを目的としている。 本稿では,最新技術(SOTA)のパフォーマンスを達成し,CNNやViTと競合する代替手段を提供するSTARTを提案する。 我々のSTARTは、SSMの入力依存行列内の有意なトークンのドメイン固有の特徴を選択的に摂動し、抑制することができるため、異なるドメイン間の差異を効果的に低減できる。
  論文  参考訳（メタデータ） (2024-10-21T13:50:32Z)
• PointDGMamba: Domain Generalization of Point Cloud Classification via Generalized State Space Model [77.00221501105788]
  領域一般化(DG)は、最近、点雲分類の一般化性を改善するために研究されている。 本稿では、DG PCCにおける状態空間モデル(SSM)の一般化可能性について研究する。 本稿では,未知の領域に対して強い一般化性を持つ新しいフレームワークであるPointDGMambaを提案する。
  論文  参考訳（メタデータ） (2024-08-24T12:53:48Z)
• StyDeSty: Min-Max Stylization and Destylization for Single Domain Generalization [85.18995948334592]
  単一のドメインの一般化(単一DG)は、単一のトレーニングドメインからのみ見えないドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。 最先端のアプローチは、主に新しいデータを合成するために、敵対的な摂動やスタイルの強化といったデータ拡張に頼っている。 データ拡張の過程で、ソースと擬似ドメインのアライメントを明示的に考慮したemphStyDeStyを提案する。
  論文  参考訳（メタデータ） (2024-06-01T02:41:34Z)
• DepGraph: Towards Any Structural Pruning [68.40343338847664]
  我々は、CNN、RNN、GNN、Transformersのような任意のアーキテクチャの一般的な構造解析について研究する。 本稿では,階層間の依存関係を明示的にモデル化し,包括的にグループ化してプルーニングを行う汎用かつ完全自動な手法であるemphDependency Graph(DepGraph)を提案する。 本研究では,画像用ResNe(X)t,DenseNet,MobileNet,Vision Transformer,グラフ用GAT,3Dポイントクラウド用DGCNN,言語用LSTMなど,さまざまなアーキテクチャやタスクに関する手法を広範囲に評価し,言語用LSTMと並行して示す。
  論文  参考訳（メタデータ） (2023-01-30T14:02:33Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)

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。