論文の概要: Point Ladder Tuning: Parameter-Efficient Hierarchical Adaptation for 3D Point Cloud Understanding
- arxiv url: http://arxiv.org/abs/2607.19171v1
- Date: Tue, 21 Jul 2026 15:06:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.45981
- Title: Point Ladder Tuning: Parameter-Efficient Hierarchical Adaptation for 3D Point Cloud Understanding
- Title（参考訳）: ポイントラダーチューニング:3Dポイントクラウド理解のためのパラメータ効率の良い階層的適応
- Abstract要約: Point Ladder Tuning (PLT)はPEFTフレームワークで、バックボーンの凍結を維持しながら階層的なインスタンス条件適応を実行する。
密集予測のために,融合した特徴を徐々にアップサンプリングする軽量セグメンテーションヘッドを導入する。
分類と密集予測の実験は、最小限のパラメータを持つ以前のPEFTベースラインを一貫して上回っていることを示している。
- 参考スコア（独自算出の注目度）: 4.750456629699177
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fine-tuning pre-trained point-cloud backbones typically updates all parameters, resulting in substantial computation and memory overhead. More importantly, modern point backbones rely on aggressive tokenization and downsampling, which yields compact global tokens but irreversibly discards fine-grained local geometry, an inherent bottleneck for parameter-efficient adaptation. Consequently, existing PEFT methods that operate only on these coarsened tokens can modulate global semantics but struggle to recover the missing multi-scale locality. We present Point Ladder Tuning (PLT), a locality-aware PEFT framework that performs hierarchical, instance-conditioned adaptation while keeping the backbone frozen. PLT forms a lightweight closed loop: (i) a Hierarchical Ladder Network (HLN) constructs a multi-resolution local feature pyramid directly from raw points; (ii) a Local-Global Fusion (LGF) aligns and fuses local pyramids with intermediate backbone semantics; and (iii) a Dynamic Prompt Generator produces instance-aware multi-scale prompts to modulate the frozen backbone effectively. For dense prediction, we further introduce a lightweight segmentation head that progressively upsamples fused features and leverages backbone priors to refine fine structures. Extensive experiments on classification and dense prediction show that PLT consistently surpasses prior PEFT baselines with minimal tunable parameters. PLT achieves state-of-the-art performance using only 2.71% trainable parameters for classification and 7.69% for dense prediction, and scales favorably to larger backbones, requiring merely 0.36% parameters on PointGPT-L. The code is released at https://github.com/JunLinChang/ECCV2026-PLT.
- Abstract（参考訳）: 微調整された事前トレーニングされたポイントクラウドバックボーンは、通常、すべてのパラメータを更新する。
さらに重要なことは、現代のポイントバックボーンはアグレッシブなトークン化とダウンサンプリングに依存しており、これはコンパクトなグローバルトークンを生み出すが、パラメータ効率の適応に固有のボトルネックであるきめ細かな局所幾何学を不可逆的に捨てる。
したがって、これらの粗いトークンのみを操作する既存のPEFTメソッドは、グローバルなセマンティクスを変調するが、欠落したマルチスケールの局所性を取り戻すのに苦労する。
本稿では,局所性を考慮したPEFTフレームワークであるPoint Ladder Tuning(PLT)について述べる。
PLTは軽量閉ループを形成する。
(i)階層ラダーネットワーク(HLN)は、原点から直接多分解能局所特徴ピラミッドを構築する。
(ii)局所グロバル核融合(LGF)は、局所ピラミッドを中間のバックボーン意味論で整列し、融合する。
三 動的プロンプトジェネレータは、凍結したバックボーンを効果的に変調するためのインスタンス対応マルチスケールプロンプトを生成する。
より密集した予測のために,融合した特徴を徐々にアップサンプリングし,バックボーンを利用して微細構造を洗練させる軽量セグメンテーションヘッドを導入する。
分類と密接な予測に関する広範囲な実験により、PLTは最小の調整可能なパラメータを持つ以前のPEFTベースラインを一貫して上回っていることが示された。
PLTは、分類のための2.71%のトレーニング可能なパラメータと密度予測のための7.69%しか使用せず、より大きなバックボーンに好適にスケールし、PointGPT-Lのパラメータは0.36%しか必要としない。
コードはhttps://github.com/JunLinChang/ECCV2026-PLTで公開されている。
関連論文リスト
- PCT-Prompt: A Prompt-Guided Transformer Framework for Dense Prediction Tasks in Point Clouds [5.568628403034062]
PCT-Promptは、高密度予測タスクのパフォーマンスを向上させるために、プロンプト誘導機能ブランチを導入することで、標準トランスフォーマーを強化する。
我々は,PCT-Promptが高密度予測タスクへの標準変換器の適応性を著しく向上し,実世界のシナリオにおいて高い性能を実現することを示す。
論文 参考訳（メタデータ） (2026-08-17T08:01:33Z) - Tri-Efficient Transfer Learning for Point Cloud Videos [32.14641034344552]
PoinTriEは、データセットを盲目的にスケーリングするのではなく、既存のデータからよりリッチな監視シグナルをマイニングすることを目指している。
事前学習のために、擬似運動軌跡は剛体変換によって合成され、テキストコーパスと原点雲から導出される2次元投影とが組み合わされる。
微調整中、トレーニング済みのバックボーンを凍結し、LoRAユニットで構築された軽量の時空間ネットワークのみを更新します。
論文 参考訳（メタデータ） (2026-06-23T05:55:02Z) - ShadowPEFT: Shadow Network for Parameter-Efficient Fine-Tuning [14.501555924276824]
低ランク適応(LoRA)は、個々の重みに直接独立した低ランク摂動を挿入することで適応する。
そこで我々は,深度共有シャドウモジュールを用いて層レベルの改善を行う,集中型PEFTフレームワークであるShadowPEFTを提案する。
論文 参考訳（メタデータ） (2026-04-21T09:17:35Z) - PointTPA: Dynamic Network Parameter Adaptation for 3D Scene Understanding [51.98954431091292]
本研究では,シーンレベルの点群に対する入力対応ネットワークパラメータを生成するテスト時間適応フレームワークを提案する。
PointTPAはScanNetの検証で78.4%のmIoUを達成した。
論文 参考訳（メタデータ） (2026-04-06T17:59:58Z) - Depth Completion as Parameter-Efficient Test-Time Adaptation [66.72360181325877]
CAPAはパラメータ効率のよいテスト時間最適化フレームワークであり、深度補完のために事前訓練された3D基礎モデル(FM)を適用する。
ビデオの場合、CAPAはシーケンスレベルのパラメータ共有を導入し、時間的相関を利用して、堅牢性を改善し、複数フレームの一貫性を強制するために、すべてのフレームを共同で適用する。
論文 参考訳（メタデータ） (2026-02-16T13:53:23Z) - 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) - PointLoRA: Low-Rank Adaptation with Token Selection for Point Cloud Learning [54.99373314906667]
ポイントクラウドのための自己教師付き表現学習は、様々なタスクで事前訓練されたモデルパフォーマンスを改善する効果を実証した。
事前訓練されたモデルは複雑さが増すにつれて、下流のアプリケーションに完全に微調整を施すには、かなりの計算資源とストレージ資源が必要である。
そこで我々は,低ランク適応(LoRA)とマルチスケールトークン選択を併用した簡易かつ効果的なPointLoRAを提案する。
論文 参考訳（メタデータ） (2025-04-22T16:41:21Z) - ALoRE: Efficient Visual Adaptation via Aggregating Low Rank Experts [71.91042186338163]
ALoREは、Kroneckerによって構築された超複素パラメータ化空間をAggregate Low Rank Expertsに再利用する新しいPETL法である。
巧妙な設計のおかげで、ALoREは無視できる余分なパラメータを保持し、凍ったバックボーンに強制的にマージできる。
論文 参考訳（メタデータ） (2024-12-11T12:31:30Z) - Sparse is Enough in Fine-tuning Pre-trained Large Language Models [98.46493578509039]
我々はSparse Increment Fine-Tuning (SIFT) という勾配に基づくスパース微調整アルゴリズムを提案する。
GLUE Benchmark や Instruction-tuning などのタスクで有効性を検証する。
論文 参考訳（メタデータ） (2023-12-19T06:06:30Z) - Dynamic Convolution for 3D Point Cloud Instance Segmentation [146.7971476424351]
動的畳み込みに基づく3次元点雲からのインスタンスセグメンテーション手法を提案する。
我々は、同じ意味圏と閉投票を持つ等質点を幾何学的遠近点に対して収集する。
提案手法は提案不要であり、代わりに各インスタンスの空間的および意味的特性に適応する畳み込みプロセスを利用する。
論文 参考訳（メタデータ） (2021-07-18T09:05:16Z)
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。