論文の概要: Test-time Adaptation for Point Cloud Denoising under Unseen Noise

• arxiv url: http://arxiv.org/abs/2610.27410v1
• Date: Tue, 20 Oct 2026 00:04:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.555331
• Title: Test-time Adaptation for Point Cloud Denoising under Unseen Noise
• Title（参考訳）: 目に見えない騒音下での点群デノイングに対する試験時間適応
• Abstract要約: テスト時に未知のノイズパターンに適応するテスト時適応型デノケーションフレームワークを提案する。 提案手法は,既存の雑音下でのデノナイジングモデルの一般化能力を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 9.117037724712992
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although deep learning-based point cloud denoising methods have demonstrated impressive results in recent years, their effectiveness usually degrades substantially in real-world scenarios where the noise distribution of test point clouds deviates from that of the training set. To address this challenge, we propose a test-time adaptive denoising (TTAD) framework that enables existing denoising approaches to adapt to unknown noise patterns at test time without relying on additional supervision or retraining from source data. Taking a pre-trained denoising model and a test noisy point cloud as input, TTAD first employs a residual-driven noise modeling (RDNM) module to estimate the sample-specific noise distribution through analyzing the deviation between the noisy input and its pseudo-clean version denoised by the initial model. Then, a noise-aware contrastive adaptation (NACA) module is designed to build sample-specific noisy-noisier test-time training pair from the denoised point cloud, and update the model parameters over a few adaptation steps per sample at test time through contrastive learning. Furthermore, TTAD naturally extends to a continual TTAD (CTTAD) setting, facilitating efficient progressive refinement across sequential test samples with consistent noise distributions, while reducing the computational cost per sample. Extensive experiments on both synthetic and real-world datasets demonstrate that our approach significantly improves the generalization ability of existing denoising models under unseen noise, achieving superior performance across multiple evaluation metrics.
• Abstract（参考訳）: 深層学習に基づくポイントクラウドデノゲーション手法は近年顕著な成果を上げているが、その効果は通常、テストポイントクラウドのノイズ分布がトレーニングセットのノイズ分布から逸脱する現実のシナリオで大きく低下する。 この課題に対処するために,テスト時適応型デノゲーション(TTAD)フレームワークを提案する。これは既存のデノゲーションアプローチが,追加の監視やソースデータからのリトレーニングに頼ることなく,テスト時に未知のノイズパターンに適応できるようにする。 TTADは、事前学習されたノイズ発生モデルとテストノイズ点雲を入力として、まず残留駆動ノイズモデリング(RDNM)モジュールを用いて、初期モデルで識別されたノイズ入力と疑似クリーンバージョンとのずれを分析することで、サンプル固有のノイズ分布を推定する。 次に、ノイズ対応コントラスト適応(NACA)モジュールを設計し、サンプル固有のノイズに富んだテスト時間トレーニングペアをデノーズポイントクラウドから構築し、コントラスト学習を通じて、サンプル毎のいくつかの適応ステップでモデルパラメータを更新する。 さらにTTADは、連続TTAD(CTTAD)設定に自然に拡張され、一貫したノイズ分布を持つシーケンシャルテストサンプルを効率よく改善し、サンプル当たりの計算コストを削減できる。 合成および実世界の両方のデータセットに対する広範囲な実験により、我々のアプローチは、目に見えない雑音下での既存の復調モデルの一般化能力を著しく改善し、複数の評価指標で優れた性能を達成できることを示した。

関連論文リスト

• Equilibrium Forcing: Adaptive Video Generation Without Noise Conditioning [85.93126001283169]
  ノイズレベル条件のない生成モデルを映像化するためのフレームワークであるEquilibrium Forcing (EqF)を紹介する。 この柔軟性により、サンプルからのフィードバックに適応してクローズドループで動作する推論時アルゴリズムが実現される。
  論文  参考訳（メタデータ） (2026-08-11T00:02:32Z)
• Noise Conditional Variational Score Distillation [60.38982038894823]
  騒音条件変化スコア蒸留(NCVSD)は, 予混合拡散モデルから生成消音剤を蒸留する新しい方法である。 この知見を変分スコア蒸留フレームワークに組み込むことで、生成的デノイザのスケーラブルな学習を可能にする。
  論文  参考訳（メタデータ） (2025-06-11T06:01:39Z)
• Enhancing Sample Generation of Diffusion Models using Noise Level Correction [9.014666170540304]
  提案手法は, 推定雑音レベルと雑音の真の距離を多様体に合わせることで, サンプル生成を向上する手法である。 具体的には,事前学習した騒音レベル補正ネットワークを導入し,騒音レベル推定を改良する。 実験結果から,本手法は,制約のない生成シナリオと制約のない生成シナリオの両方において,サンプルの品質を著しく向上することが示された。
  論文  参考訳（メタデータ） (2024-12-07T01:19:14Z)
• DiffSED: Sound Event Detection with Denoising Diffusion [70.18051526555512]
  生成学習の観点からSED問題を再構築する。 具体的には,騒音拡散過程において,雑音のある提案から音の時間境界を生成することを目的としている。 トレーニング中は,ノイズの多い遅延クエリを基本バージョンに変換することで,ノイズ発生過程の逆転を学習する。
  論文  参考訳（メタデータ） (2023-08-14T17:29:41Z)
• Realistic Noise Synthesis with Diffusion Models [44.404059914652194]
  ディープラーニングモデルには、大規模な実世界のトレーニングデータが必要です。 本稿では,これらの課題に対処するために拡散モデルを用いた新しい実音合成拡散器(RNSD)法を提案する。
  論文  参考訳（メタデータ） (2023-05-23T12:56:01Z)
• Latent Class-Conditional Noise Model [54.56899309997246]
  本稿では,ベイズ的枠組みの下での雑音遷移をパラメータ化するためのLatent Class-Conditional Noise Model (LCCN)を提案する。 次に、Gibs sampler を用いて遅延真のラベルを効率的に推測できる LCCN の動的ラベル回帰法を導出する。 提案手法は,サンプルのミニバッチから事前の任意チューニングを回避するため,ノイズ遷移の安定な更新を保護している。
  論文  参考訳（メタデータ） (2023-02-19T15:24:37Z)
• Denoising Distantly Supervised Named Entity Recognition via a Hypergeometric Probabilistic Model [26.76830553508229]
  ハイパージオメトリ・ラーニング(HGL)は、遠距離教師付きエンティティ認識のための認知アルゴリズムである。 HGLはノイズ分布とインスタンスレベルの信頼性の両方を考慮に入れている。 実験により、HGLは遠方の監督から取得した弱いラベル付きデータを効果的に復調できることが示された。
  論文  参考訳（メタデータ） (2021-06-17T04:01:25Z)

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。