論文の概要: MAMVI: 3D Test-Time Adaptation via Masked Multi-View Point Clouds

• arxiv url: http://arxiv.org/abs/2606.12939v1
• Date: Thu, 11 Jun 2026 06:03:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.610025
• Title: MAMVI: 3D Test-Time Adaptation via Masked Multi-View Point Clouds
• Title（参考訳）: MAMVI:masked Multi-View Point Cloudsによる3次元テスト時間適応
• Authors: Inseok Kong, Geunyoung Jung, Jiyoung Jung,
• Abstract要約: 3Dポイントのクラウドモデルは、分散シフトによって大幅にパフォーマンスが低下する。 テスト時間適応(TTA)は、推論中にこの問題を緩和するための実用的なパラダイムとして登場した。 逐次最適化を単一ステップ適応に置き換えるMasked Multi-View Test-Time Adaptation (MAMVI)を提案する。
• 参考スコア（独自算出の注目度）: 1.2234742322758418
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: 3D point cloud models suffer significant performance degradation under distribution shifts caused by sensor noise, occlusions, and environmental changes. Test-time adaptation (TTA) has emerged as a practical paradigm for mitigating this issue during inference. Recently, leveraging multi-view augmentation has shown promise in improving 3D TTA performance. However, existing multi-view approaches are often constrained by sequential optimization that treats each view independently. This sequential optimization leads to substantial inference latency due to repetitive optimization steps, making real-time adaptation impractical. To address this, we propose Masked Multi-View Test-Time Adaptation (MAMVI), which replaces sequential optimization with a unified single-step adaptation. Specifically, MAMVI utilizes a hybrid masking strategy that combines fixed ratios for stability with Beta-distributed sampling for diversity. By aggregating losses across multiple views, MAMVI performs adaptation through a single backward pass based on multi-view consensus. Additionally, a confidence-based adaptive learning rate is used to dynamically adjust the adaptation intensity for each sample. Extensive experiments on ModelNet-40C, ShapeNet-C, and ScanObjectNN-C demonstrate that MAMVI achieves state-of-the-art accuracy on ShapeNet-C and ScanObjectNN-C. Moreover, it remains competitive on ModelNet-40C while delivering 4.9-8.9 times faster inference, making it highly suitable for real-time applications. Our code is available at https://github.com/Inseok-kong/MAMVI
• Abstract（参考訳）: 3次元点雲モデルでは, センサノイズ, 閉塞, 環境変化による分布変化により, 顕著な性能劣化がみられた。 テスト時間適応(TTA)は、推論中にこの問題を緩和するための実用的なパラダイムとして登場した。 近年,多視点拡張の活用により,3次元TTAの性能向上が期待できる。 しかし、既存のマルチビューアプローチは、それぞれのビューを独立して扱うシーケンシャルな最適化によって制約されることが多い。 このシーケンシャルな最適化は、繰り返し最適化のステップによってかなりの推論遅延をもたらし、リアルタイム適応を非現実的にする。 そこで本稿では,逐次最適化を単一ステップ適応に置き換えるMasked Multi-View Test-Time Adaptation (MAMVI)を提案する。 特に、MAMVIは、安定性のための固定比率と多様性のためのベータ分散サンプリングを組み合わせたハイブリッドマスキング戦略を採用している。 複数のビューにまたがる損失を集約することにより、MAMVIはマルチビューのコンセンサスに基づいて単一の後方パスを通じて適応を行う。 さらに, 各試料の適応強度を動的に調整するために, 信頼度に基づく適応学習率を用いる。 ModelNet-40C、ShapeNet-C、ScanObjectNN-Cの大規模な実験は、MAMVIがShapeNet-CとScanObjectNN-Cで最先端の精度を達成することを示した。 さらに、ModelNet-40Cは4.9-8.9倍高速な推論を提供し、リアルタイムアプリケーションに非常に適している。 私たちのコードはhttps://github.com/Inseok-kong/MAMVIで利用可能です。

関連論文リスト

• Adapting Point Cloud Analysis via Multimodal Bayesian Distribution Learning [47.975618905252354]
  マルチモーダルな3次元視覚言語モデルは多種多様な3次元タスクにまたがる強力な一般化を示すが、その性能はドメインシフトで顕著に低下する。 これはテストタイム適応に関する最近の研究を動機付けており、テストタイムデータを使ってモデルをオンラインに適応させることができる。 テストポイントクラウド分析のためのマルチモーダル分散学習フレームワークBayesMMを提案する。
  論文  参考訳（メタデータ） (2026-03-23T15:03:47Z)
• Test-Time Adaptation in Point Clouds: Leveraging Sampling Variation with Weight Averaging [17.74824534094739]
  テスト時間適応(TTA)は、ソースデータにアクセスせずに事前訓練されたモデルを適用することで、テスト中の分散シフトに対処する。 本稿では,3次元点雲分類のための新しいTTA手法を提案する。
  論文  参考訳（メタデータ） (2024-11-02T02:59:25Z)
• Unleashing Network Potentials for Semantic Scene Completion [50.95486458217653]
  本稿では,新しいSSCフレームワーク - Adrial Modality Modulation Network (AMMNet)を提案する。 AMMNetは、モダリティ間の勾配流の相互依存性を可能にするクロスモーダル変調と、動的勾配競争を利用するカスタマイズされた逆トレーニングスキームの2つのコアモジュールを導入している。 AMMNetは最先端のSSC法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2024-03-12T11:48:49Z)
• Fast-Slow Test-Time Adaptation for Online Vision-and-Language Navigation [67.18144414660681]
  オンラインビジョン・アンド・ランゲージナビゲーション(VLN)のためのFSTTA(Fast-Slow Test-Time Adaptation)アプローチを提案する。 提案手法は,4つのベンチマークにおいて顕著な性能向上を実現する。
  論文  参考訳（メタデータ） (2023-11-22T07:47:39Z)
• Uncertainty Guided Adaptive Warping for Robust and Efficient Stereo Matching [77.133400999703]
  相関に基づくステレオマッチングは優れた性能を達成した。 固定モデルによる現在のメソッドは、さまざまなデータセットで均一に動作しない。 本稿では,ロバストなステレオマッチングのための相関を動的に計算する新しい視点を提案する。
  論文  参考訳（メタデータ） (2023-07-26T09:47:37Z)
• AuxAdapt: Stable and Efficient Test-Time Adaptation for Temporally Consistent Video Semantic Segmentation [81.87943324048756]
  ビデオセグメンテーションでは、フレーム間で時間的に一貫した結果を生成することは、フレームワイドの精度を達成するのと同じくらい重要である。 既存の方法は、時間的整合性を達成するために、テストデータによる光フローの正則化や微調整に依存している。 本稿では、ほとんどのニューラルネットワークモデルの時間的一貫性を改善するために、効率的で直感的で教師なしのオンライン適応手法であるAuxAdaptを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:07:41Z)
• AA-RMVSNet: Adaptive Aggregation Recurrent Multi-view Stereo Network [8.127449025802436]
  本稿では,AA-RMVSNetというアダプティブアグリゲーションを備えた長短期記憶(LSTM)に基づく,新しいマルチビューステレオネットワークを提案する。 まず、コンテキスト認識の畳み込みとマルチスケールアグリゲーションを用いて、画像の特徴を適応的に抽出するビュー内アグリゲーションモジュールを提案する。 本稿では,すべてのビューにおいて,より整合性のあるペアを保存可能な,適応的なピクセルワイドビューアグリゲーションのためのビュー間コストボリュームアグリゲーションモジュールを提案する。
  論文  参考訳（メタデータ） (2021-08-09T06:10:48Z)

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。