論文の概要: Partition-Invariant Tuning for 3D Scene Understanding

• arxiv url: http://arxiv.org/abs/2609.12473v1
• Date: Fri, 11 Sep 2026 06:14:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.640701
• Title: Partition-Invariant Tuning for 3D Scene Understanding
• Title（参考訳）: 3次元シーン理解のための分割不変チューニング
• Authors: Hongqiang Lin, Tianle Wang, Shuiwang Li, Dongxu Zhang, Yiding Sun, Zihao Guo, Dongfu Yin,
• Abstract要約: シーンレベルのポイントクラウドのための分割不変チューニングフレームワークであるPointPiTを提案する。 PointPiTは、局所幾何学パターンとグローバルシーンコンテキストを統合し、分割誘起表現シフトを抑制する。 実験によると、PointPiTは、バックボーンのパラメータの1%未満の完全な微調整に対して、競争力や優れたパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 10.734083086241457
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scene-level point cloud understanding remains challenging due to diverse geometries and spatial layouts. While pre-trained 3D point cloud foundation models (PFMs) offer strong transferability, full fine-tuning (FFT) incurs substantial computational and storage costs. Parameter-efficient fine-tuning (PEFT) provides a promising alternative, but existing PEFT methods largely focus on object-level point clouds and overlook serialization-induced partition variations in large-scale scenes. To address this issue, we propose PointPiT, a partition-invariant tuning framework for scene-level point clouds. Specifically, a Scene-aware Structural Adapter (SSA) integrates local geometric patterns with global scene context to mitigate partition-induced representation shifts. Moreover, Gradient Subspace Optimization (GSO) selects informative and partition-stable update directions, suppressing partition-dependent variations during optimization. Extensive experiments across multiple scene-level benchmarks demonstrate that PointPiT achieves competitive or even superior performance to full fine-tuning with less than 1% of backbone's parameters, while achieving consistent state-of-the-art performance among representative PEFT methods.
• Abstract（参考訳）: 多様な地形と空間的レイアウトのため、シーンレベルの雲の理解は依然として困難である。 事前訓練された3Dポイントクラウド基盤モデル(PFM)は、強力な転送性を提供するが、完全な微調整(FFT)は、計算とストレージの大幅なコストを発生させる。 パラメータ効率のよい微調整(PEFT)は有望な代替手段であるが、既存のPEFT法は主にオブジェクトレベルの点雲と大規模シーンにおける直列化による分割変動に注目している。 この問題に対処するために,シーンレベルのポイントクラウドのための分割不変チューニングフレームワークであるPointPiTを提案する。 具体的には、SSA(Scene-Aware Structure Adapter)は、局所幾何学的パターンをグローバルなシーンコンテキストと統合し、分割誘起表現シフトを緩和する。 さらに、グラディエント・サブスペース最適化(GSO)は、最適化中の分割依存性の変動を抑制し、情報的および分割安定な更新方向を選択する。 複数のシーンレベルのベンチマークによる大規模な実験により、PointPiTはバックボーンのパラメータの1%未満で完全な微調整に競争力や優れたパフォーマンスを達成し、代表PEFTメソッド間で一貫したパフォーマンスを実現している。

関連論文リスト

• Point Ladder Tuning: Parameter-Efficient Hierarchical Adaptation for 3D Point Cloud Understanding [4.750456629699177]
  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。
  論文  参考訳（メタデータ） (2026-07-21T15:06:37Z)
• 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)
• 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)
• On Geometry-Enhanced Parameter-Efficient Fine-Tuning for 3D Scene Segmentation [52.96632954620623]
  本稿では3Dポイント・クラウド・トランス用に設計された新しい幾何対応PEFTモジュールを提案する。 当社のアプローチでは,大規模3Dポイントクラウドモデルの効率的,スケーラブル,かつ幾何を考慮した微調整のための新しいベンチマークを設定している。
  論文  参考訳（メタデータ） (2025-05-28T15:08:36Z)
• PIVOT-Net: Heterogeneous Point-Voxel-Tree-based Framework for Point Cloud Compression [8.778300313732027]
  異種クラウド圧縮(PCC)フレームワークを提案する。 私たちは、典型的なポイントクラウド表現 -- ポイントベース、ボクセルベース、ツリーベース表現 -- と関連するバックボーンを統一します。 本稿では,デコードのためのコンテキスト対応アップサンプリングと,機能集約のための拡張ボクセルトランスフォーマーによりフレームワークを増強する。
  論文  参考訳（メタデータ） (2024-02-11T16:57:08Z)
• DSVT: Dynamic Sparse Voxel Transformer with Rotated Sets [95.84755169585492]
  本研究では,屋外3次元知覚のためのシングルストライドウィンドウベースのボクセルトランスであるDynamic Sparse Voxel Transformer (DSVT)を提案する。 本モデルでは,3次元認識タスクを多岐にわたって行うことにより,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-01-15T09:31:58Z)
• 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。