論文の概要: GAPrompt++: Multi-Granular Geometry-Aware Point Cloud Prompt for 3D Vision Model

• arxiv url: http://arxiv.org/abs/2609.19716v1
• Date: Thu, 17 Sep 2026 05:14:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.114353
• Title: GAPrompt++: Multi-Granular Geometry-Aware Point Cloud Prompt for 3D Vision Model
• Title（参考訳）: GAPrompt++:3次元視覚モデルのためのマルチグラニュラー幾何対応ポイントクラウドプロンプト
• Abstract要約: 効率的な3次元タスク適応のための多粒形状認識プロンプト法であるGAPrompt++を提案する。 GAPrompt++はプロンプトベースのPEFTメソッドで最先端のパフォーマンスを実現する。 さらに、トレーニング可能なパラメータを2%未満で必要としながら、さまざまなベンチマークで完全な微調整も行なっています。
• 参考スコア（独自算出の注目度）: 78.64849498586526
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pre-trained 3D vision models have substantially advanced point cloud analysis, yet adapting them to downstream tasks via full fine-tuning is computationally expensive and storage-intensive. Parameter-Efficient Fine-Tuning (PEFT) offers a promising alternative by reducing both adaptation cost and storage burden. However, existing prompting-based approaches ignore the intrinsic geometric structures of point clouds, thereby limiting their adaptation capability. This limitation stems from their inability to encode both fine-grained geometric cues and coarse-grained structural semantics, as well as failing to propagate such information effectively through the model hierarchy. To address these challenges, we propose GAPrompt++, a multi-granular geometry-aware prompting method that provides richer geometric guidance for efficient 3D task adaptation. Specifically, we introduce a Point Shift Prompter that extracts multi-granular geometric features across different scales, enabling instance-specific geometric adjustments during adaptation. Next, a Keypoint Prompter adaptively generates point-level prompts to highlight local geometric saliency and fine-grained structural details. Furthermore, a Prompt Propagation mechanism injects these multi-granular geometric cues throughout the feature extraction hierarchy, strengthening the ability to capture essential geometric characteristics. Extensive experiments show that GAPrompt++ achieves state-of-the-art performance among prompting-based PEFT methods and even surpasses full fine-tuning across diverse benchmarks, while requiring less than 2\% trainable parameters. In addition, to address the saturation of existing evaluation datasets, we construct two more challenging benchmarks derived from 3D Gaussian Splatting and Multi-View Stereo reconstruction, offering diverse and realistic point cloud scenarios to promote future research.
• Abstract（参考訳）: 事前訓練された3Dビジョンモデルには、かなり高度なポイントクラウド分析があるが、完全な微調整によって下流タスクに適応することは、計算コストが高く、ストレージ集約である。 パラメータ効率のよいファインチューニング(PEFT)は、適応コストとストレージ負荷の両方を削減することで、有望な代替手段を提供する。 しかし、既存のプロンプトベースのアプローチは、点雲の固有の幾何学的構造を無視して、それらの適応能力を制限する。 この制限は、きめ細かい幾何学的手がかりと粗い構造的意味論の両方を符号化できないことと、モデル階層を通してそのような情報を効果的に伝播できないことに由来する。 これらの課題に対処するために, GAPrompt++を提案する。 具体的には、異なるスケールで多粒性幾何特徴を抽出し、適応中のインスタンス固有の幾何調整を可能にするポイントシフトプロンプタを提案する。 次に、キーポイントプロンプタは、局所的な幾何学的サリシティときめ細かい構造的詳細を強調するために、ポイントレベルのプロンプトを適応的に生成する。 さらに、Prompt Propagationメカニズムは、特徴抽出階層全体を通してこれらの多粒状幾何学的手がかりを注入し、重要な幾何学的特徴を捉える能力を強化する。 広範な実験によると、GAPrompt++はプロンプトベースのPEFTメソッドで最先端のパフォーマンスを実現し、トレーニング可能なパラメータが2\%未満であると同時に、さまざまなベンチマークで完全な微調整を超越している。 さらに,既存の評価データセットの飽和に対処するため,3D Gaussian SplattingとMulti-View Stereoから派生した,より困難な2つのベンチマークを構築した。

関連論文リスト

• 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)
• PMA: Towards Parameter-Efficient Point Cloud Understanding via Point Mamba Adapter [54.33433051500349]
  本稿では,事前学習モデルのすべての層から順序付き特徴系列を構成するPMAを提案する。 また、異なる層にまたがって共有される幾何学制約ゲートプロンプトジェネレータ(G2PG)を提案する。
  論文  参考訳（メタデータ） (2025-05-27T09:27:16Z)
• GAPrompt: Geometry-Aware Point Cloud Prompt for 3D Vision Model [38.600846942027914]
  本稿では,3次元視覚モデルの適応性を高めるため,新しいGeometry-Aware Point Cloud Prompt (GAPrompt)を提案する。 まず、元の点雲と共に補助的な入力として機能する点プロンプトを導入し、そのモデルにきめ細かな幾何学的詳細を捉えるよう指示する。 また、点雲から大域的な形状情報を抽出し、入力レベルでのインスタンス固有の幾何調整を可能にするポイントシフトプロンプタを提案する。
  論文  参考訳（メタデータ） (2025-05-07T04:29:09Z)
• FlexPara: Flexible Neural Surface Parameterization [71.65203972602673]
  本稿では,大域的および多角的表面パラメータ化を実現するために,教師なしニューラルネットワーク最適化フレームワークFlexParaを紹介する。 我々は,グローバルパラメータ化のための双方向のサイクルマッピングフレームワークを構築するために,幾何学的に解釈可能な一連のサブネットワークを,特定の機能と巧妙に設計・結合する。 実験は、我々の神経表面パラメータ化パラダイムの普遍性、優越性、およびインスピレーションのポテンシャルを実証する。
  論文  参考訳（メタデータ） (2025-04-27T12:30:08Z)
• ParaPoint: Learning Global Free-Boundary Surface Parameterization of 3D Point Clouds [52.03819676074455]
  ParaPointは、グローバルな自由境界面パラメータ化を実現するための教師なしのニューラルネットワークパイプラインである。 この研究は、グローバルマッピングと自由境界の両方を追求するニューラルポイントクラウドパラメータ化を調査する最初の試みである。
  論文  参考訳（メタデータ） (2024-03-15T14:35:05Z)
• Point-PEFT: Parameter-Efficient Fine-Tuning for 3D Pre-trained Models [46.42092771753465]
  我々は、最小限の学習可能なパラメータを持つポイントクラウド事前学習モデルに適用するための新しいフレームワークであるPoint-PEFTを紹介する。 具体的には、事前訓練された3Dモデルに対して、パラメータの大部分を凍結し、新たに追加されたPEFTモジュールを下流タスクでチューニングする。
  論文  参考訳（メタデータ） (2023-10-04T16:49:36Z)

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。