論文の概要: Beyond Defenses: Manifold-Aligned Regularization for Intrinsic 3D Point Cloud Robustness

• arxiv url: http://arxiv.org/abs/2605.07590v1
• Date: Fri, 08 May 2026 11:02:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.009527
• Title: Beyond Defenses: Manifold-Aligned Regularization for Intrinsic 3D Point Cloud Robustness
• Title（参考訳）: Beyond Defenses: 固有の3Dポイントクラウドロバストネスのためのマニフォールドアライズ
• Authors: Pedro Alonso, Chongshou Li, Tianrui Li,
• Abstract要約: 古典的逆説と点雲の内在的構造を結びつける3次元ロバストネスの幾何学的解釈を開発する。 そこで本研究では, 固有摂動にまたがる予測を整列させることにより, 潜時幾何学を規則化するフレームワーク, Manifold-Aligned Point Recognition (MAPR) を紹介する。
• 参考スコア（独自算出の注目度）: 7.747242279123295
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite extensive progress in point cloud robustness, existing methods primarily improve performance through augmentation or defense mechanisms, while overlooking the geometric root cause of adversarial fragility. We hypothesize that adversarial vulnerability in 3D networks arises from a manifold misalignment between the latent geometry learned by the model and the intrinsic geometry of the underlying surface. Small, geometry-preserving perturbations along the input manifold often induce disproportionate distortions in feature space, revealing a misalignment between latent and intrinsic geometries. We formalize this phenomenon by developing a geometric interpretation of 3D robustness that links classical adversarial theory to the intrinsic structure of point clouds. Motivated by this analysis, we introduce Manifold-Aligned Point Recognition (MAPR), a framework that regularizes the latent geometry by aligning predictions across intrinsic perturbations. MAPR augments each point cloud with intrinsic features capturing local curvature and diffusion structure, and applies a consistency loss that preserves invariance to intrinsic, geometry-preserving perturbations. Without relying on adversarial training or additional data, MAPR consistently improves robustness across multiple adversarial attacks on both the ModelNet40 and ScanObjectNN datasets, achieving average robustness gains of +20.02% and +8.58% on ModelNet40 and ScanObjectNN, respectively.
• Abstract（参考訳）: 点雲のロバスト性は広範な進歩にもかかわらず、既存の手法は主に、対向的脆弱性の幾何学的根本原因を見越しながら、増大または防御機構を通じて性能を改善する。 モデルにより学習された潜伏幾何と下層の固有幾何との間の多様体的不整合から, 3次元ネットワークにおける対角的脆弱性が生じるという仮説を立てる。 入力多様体に沿った小さな幾何保存摂動は、しばしば特徴空間における不均等な歪みを誘発し、潜在幾何学と固有の幾何学の相違を明らかにする。 古典的対角線理論と点雲の固有構造を結びつける3次元ロバストネスの幾何学的解釈を開発することにより、この現象を定式化する。 そこで本研究では, 固有摂動にまたがる予測を整列させることにより, 潜時幾何学を規則化するフレームワーク, Manifold-Aligned Point Recognition (MAPR) を紹介する。 MAPRは、局所曲率と拡散構造をキャプチャする固有の特徴を持つ各点の雲を拡張し、本質的な幾何保存摂動に対する不変性を保った一貫性損失を適用している。 敵のトレーニングや追加データに頼らず、MAPRはModelNet40とScanObjectNNの両方のデータセットに対する複数の敵の攻撃に対するロバスト性を改善し、それぞれModelNet40とScanObjectNNで平均ロバスト性ゲイン+20.02%と+8.58%を達成する。

関連論文リスト

• Topo-ADV: Generating Topology-Driven Imperceptible Adversarial Point Clouds [2.475488961586926]
  我々は、ポイントクラウド深層学習のための最初のトポロジ駆動の対向攻撃を導入する。 我々の重要な洞察は、3Dオブジェクトのホモロジー構造が、これまで探索されていなかった脆弱性表面を構成することである。 実験により、微妙なトポロジー駆動による摂動は、常に最大100%の攻撃成功率を達成することが示された。
  論文  参考訳（メタデータ） (2026-04-10T20:13:45Z)
• The Geometry of Robustness: Optimizing Loss Landscape Curvature and Feature Manifold Alignment for Robust Finetuning of Vision-Language Models [33.10473765967503]
  一般化保存法はID/OOD性能を維持するが、敵攻撃に弱いモデルを残す。 我々の重要な洞察は、ロバスト性トレードオフは、パラメータ空間における鋭く異方性のある最小値と、摂動下で変形する不安定な特徴表現の2つの幾何学的失敗に由来するということである。 本稿では,パラメータ空間の曲率と特徴空間の不変性を協調的に正規化する,統一的な微調整フレームワークGRACEを提案する。
  論文  参考訳（メタデータ） (2026-03-28T05:22:00Z)
• 3D-ANC: Adaptive Neural Collapse for Robust 3D Point Cloud Recognition [21.95358957900039]
  3D-ANCはニューラル・コラプス(NC)機構を利用して識別的特徴学習を編成する手法である。 3D-ANCは2つのデータセット上の様々な構造を持つモデルのロバスト性を大幅に改善することを示す。
  論文  参考訳（メタデータ） (2025-11-10T12:37:00Z)
• PointNSP: Autoregressive 3D Point Cloud Generation with Next-Scale Level-of-Detail Prediction [87.33016661440202]
  自動回帰ポイントクラウド生成は、長い間、拡散ベースの品質アプローチに遅れを取ってきた。 低解像度で大域的な形状を保った粗大な生成フレームワークであるPointNSPを提案する。 ShapeNetの実験によると、PointNSPは自己回帰パラダイムの中で初めて、最先端(SOTA)生成品質を確立している。
  論文  参考訳（メタデータ） (2025-10-07T06:31:02Z)
• Adaptive Point-Prompt Tuning: Fine-Tuning Heterogeneous Foundation Models for 3D Point Cloud Analysis [51.37795317716487]
  本稿では,パラメータの少ない事前学習モデルを微調整するAdaptive Point-Prompt Tuning (APPT)法を提案する。 局所幾何学を集約することで原点雲を点埋め込みに変換し、空間的特徴を捉える。 任意のモダリティのソース領域から3Dへの自己アテンションを校正するために,重みを点埋め込みモジュールと共有するプロンプトジェネレータを導入する。
  論文  参考訳（メタデータ） (2025-08-30T06:02:21Z)
• Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
  TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。 我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。 並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
  論文  参考訳（メタデータ） (2025-08-28T07:09:21Z)
• GUPNet++: Geometry Uncertainty Propagation Network for Monocular 3D Object Detection [92.41859045360532]
  我々はGUPNet++(Geometry Uncertainty Propagation Network)を提案する。 トレーニング中の幾何射影の不確実性伝播関係をモデル化し、エンドツーエンドのモデル学習の安定性と効率を向上させる。 実験により,提案手法は画像ベースモノクロ3次元検出におけるSOTA性能を得るだけでなく,簡易なフレームワークで有効性を示す。
  論文  参考訳（メタデータ） (2023-10-24T08:45:15Z)
• Ada3Diff: Defending against 3D Adversarial Point Clouds via Adaptive Diffusion [70.60038549155485]
  ディープ3Dポイントクラウドモデルは敵攻撃に敏感であり、自律運転のような安全クリティカルなアプリケーションに脅威をもたらす。 本稿では,適応強度推定器と拡散モデルを用いて,プリスタンデータ分布を再構築できる新しい歪み認識型防衛フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-29T14:32:43Z)

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。